相关滤波的概念自应用于目标跟踪起,便一直受到广泛的关注。而核相关滤波算法以其高速度、高精度以及高鲁棒性的特点迅速成为研究热点,但由于监控场景的多样性,监控设备的差异,目标因障碍遮挡、形态变化、比例变化、光照强度变化等因素,可能会造成跟踪不精确或跟踪失败。基于此,本文对核相关滤波算法进行了改进,并将其应用于目标跟踪。主要研究内容如下:1、为了提高复杂背景下目标跟踪的精确度和鲁棒性,提出了一种多特征融合的核相关滤波算法。首先将目标的CN特征与HOG特征降维融合,构成一定的特征矩阵。采用主成分分析的思想实时提取目标的显著特征信息,重构特征矩阵。最后利用融合特征矩阵训练尺度滤波器,进一步提升算法的鲁棒性。实验结果表明,改进的算法具有较高的识别精度,在背景杂斑、光照变化、目标遮挡和变形等复杂环境下能够实现对目标长期稳定的跟踪。2、通过引入时间正则化相关滤波器,构建了一种新的模型,结合乘数的交替方向法优化求解,得到结合时间正则化的自适应加权目标跟踪算法。本文在引入时间正则化以后,将时间正则化融到KCF框架中,将连续卷积方法加入到损失函数中,训练滤波器。通过改进SRDCF算法以后,更好的解决了滤波器过拟合现象。通过实验结果分析,引入时空正则化以后的算法精确度达到54.5%,成功率得分为61.6%。可以较好地解决复杂环境下的跟踪问题,并能够很好地适应较大的外观变化问题。该算法在准确率,鲁棒性和速度方面都表现良好,可实时追踪目标。