随着计算机视觉相关研究的层层深入,对于运动目标的跟踪正逐步成为重要的话题。近年来,相关滤波类的跟踪方法因其速度优势逐渐成为研究热点,将目标跟踪技术推向新的高度。但是,由于在实际检测场景中,目标容易出现遮挡、尺度变化、快速运动、形变等现象,核相关滤波（KCF）算法又极易受实际检测情况的影响,进而使跟踪出现偏差、效果也大打折扣。对此,如何才能够使算法兼顾精确度与时效性这一难题仍有待进一步研究。为使跟踪结果更为准确,本文提出了基于Harris角点检测的优化KCF算法,并通过仿真验证其精确度、成功率等性能,实验结果表明,所提出的方法能有效跟踪常见目标,具有估计准确的优点。本文具体研究的创新点如下:（1）鉴于KCF算法易受目标自身运动情况的影响,引入广义霍夫算法,以达两者之间互相制约、相互校正的目的。针对广义霍夫算法边缘点较多且易受光照的影响的问题,做了如下的改进:用数量适宜且鲁棒性强的自适应Harris角点,解决了广义霍夫算法提取冗余边缘点速度慢,以及因光照变化导致的边缘点提取不完整的问题。同时,自适应阈值法的引入将噪声对角点提取的影响降为最低。（2）针对KCF算法在面临目标被遮挡、目标形变以及目标由远及近带来的尺度变化时的不足,为使跟踪效果更加理想,相应改进如下:将目标分块并对每一目标子块单独跟踪,根据子块之间的相对位置关系来解决KCF算法在目标大小发生变化时目标易丢失的问题。此外,对学习率参数进行了自适应更新,降低了KCF算法的学习率,减少了在目标被遮挡时的模型更新误差。同时将标准KCF算法提取的目标方向梯度直方图特征与目标的颜色特征融合,计算出响应函数的最大值,此时即可得目标所在的位置,大幅降低了形变对跟踪结果的影响。（3）针对快速运动目标跟踪效果欠佳的问题,运用智能算法将改进的广义霍夫算法即Harris角点检测算法与优化的KCF算法更好的融合,本文结合交并比与匈牙利算法关联多个目标,逐一取出由两种方法得到的对应坐标,并将其互相校正,最后根据广义霍夫算法描绘的目标轮廓得出最终位置,抑制了目标快速运动时KCF算法的漂移现象。实验表明,所提方法在满足多目标跟踪对算法时间要求的同时,有效提高了目标跟踪的可靠性。