目标跟踪技术作为计算机视觉的一个热门研究方向,已经广泛应用于智能安防、智慧交通、人机交互、军事等领域。然而当前的目标跟踪算法仍面临着诸多难点,如特征表达能力不足、尺度变化、目标丢失等,本文在相关滤波类算法的框架下针对这些难点展开研究,主要的研究内容分为以下两个方面:1)提出了基于ECO改进的目标跟踪算法。在ECO算法框架下做了如下改进:提出了基于目标能量比的通道筛选法,根据目标在样本区域中的能量比值来筛选通道,实现对深度特征降维的目的;提出了加权融合的方式,将不同卷积层特征的相关响应图加权融合;提出了宽高比可变的快速尺度检测方法,将目标定位与尺度检测分为两个前后独立执行的任务,使用尺度与宽高比均不相同的样本单独训练尺度滤波器,不仅能检测尺度的变化也能检测目标边界框宽高比的变化。在数据集OTB100上的实验结果表明,改进后的距离精度与重叠成功率相较于ECO仅分别下降0.33%与1.31%,跟踪速率却相较于ECO提高了2.90倍,距离精度与重叠成功率在保持与ECO相近的基础上,跟踪速率获得了较高的提升。2)提出了结合DCF与YOLOv3的目标跟踪算法。将跟踪任务分为粗略定位与精确定位两个阶段。粗略定位阶段,使用跟踪算法DCF预测目标粗略位置。精确定位阶段,利用检测算法YOLOv3在粗略位置区域检测出所有与目标同类的物体,然后基于检测结果提出了同类干扰预警,将目标判断为无同类干扰或有同类干扰状态:对于无同类干扰状态,根据目标类别从非同类背景物中定位出目标;而对于有同类干扰状态,提出了CN判别模型,根据模板的Color Names特征从同类背景物中定位出目标。对于跟踪过程中出现的目标丢失问题提出了目标重搜索法,在搜索区域内根据目标种类以及Color Names特征重搜索目标。对于尺度变化问题利用YOLOv3的多尺度检测方法解决。在数据集OTB100中选取了57个彩色视频序列进行测试,实验结果表明,本算法的距离精度达到86.81%,重叠成功率达到83.35%,具有较好的跟踪性能。