随着计算机科学和人工智能的发展,视觉跟踪技术已经广泛地应用在视频监控、导航定位、航天驾驶等领域。跟踪本质就是根据视频第一帧中的目标信息在后续帧中持续确定目标的位置和尺寸,但是当目标出现快速运动、形变、遮挡等干扰时现有的目标跟踪算法不能准确地预测位置,针对这些问题并为提升跟踪器的性能,文中基于时空正则化相关滤波目标跟踪算法进行改进。具体工作如下:（1）首先为提升目标的跟踪精度和抗干扰性,选择提取目标的深度特征和手工特征共同作为待跟踪特征,并基于这两种特征做优化。内部引进样本特征通道的真实性分析方法,充分挖掘不同维度特征对跟踪的可贡献度,另采用GMM模型管理样本集,添加历史帧样本和当前帧信息基于时空正则化模型共同训练滤波器,根据ADMM优化算法迭代求解,最终将所有特征的响应值相加得到最大置信分确定下一帧的目标位置。（2）接着采用手工特征加权改进尺度滤波器估计尺度,并针对快速运动引起的边界效应进行改进。更改时空正则化模型中的空间权重,选择反高斯空间模型作为空间正则约束能在训练中引进更多背景信息,进而让滤波器学习的内容更全面,对目标与背景的区分性更高。（3）最后为使跟踪器能长期跟踪,对每帧的跟踪质量进行评估来更新模型。引进历史帧与当前帧的响应峰值波动幅度和最大响应分数比值来判断目标是否被遮挡或跟踪偏离,进一步筛选纯净样本在线更新样本集与滤波器模型,保持滤波器不被污染,实现持续跟踪。文中基于时空正则化相关滤波跟踪算法进行改进,在OTB-100数据集中与多种经典的跟踪算法进行实验比较,结果表明所提算法相对于传统的目标跟踪算法在目标出现背景光照干扰、快速运动、形变和遮挡时都较为鲁棒。