得益于相关滤波器和深度学习相关技术的发展,目标追踪算法近年来取得了极大的研究进展,并已在诸多领域得以应用。追踪算法的主要挑战包括目标遮挡,尺度更改,光照变化以及运动模糊等多个方面,如何解决这些问题,仍是目前该领域的主要研究热点。此外,由于追踪任务的实时性要求,使得基于深度学习模型的目标追踪算法难以在移动终端设备上部署应用。针对以上问题,本文从算法模型改进和应用部署优化两个方面对单目标追踪算法进行研究改进,致力于研究稳定可靠且性能优良的追踪算法,此外,结合边缘计算平台,从应用部署优化的角度,对目标追踪算法在移动设备上的部署策略进行研究,致力于提出合理可靠的部署方案。论文首先对追踪任务的问题建模和求解方法进行了介绍,从模型的角度对背景感知相关滤波器进行了分析,提出一种时间正则背景感知相关滤波器。通过对滤波器模型添加时间正则项,即对从连续视频帧中学习到的模型添加平滑约束,提高算法对于遮挡变形和光照变化等问题的鲁棒性。此外,添加运动模型,并对模型的更新方式进行优化改进以减少算法的错误更新。在OTB100数据集上进行测试,实验结果表明,改进后算法性能明显提升,在该数据集的11种属性测试中的10种占优。除此之外,论文对移动设备特点以及边缘计算平台的架构进行了分析,针对特定应用场景,提出一种基于边缘计算的目标追踪平台。该平台集成基于相关滤波器和基于深度学习的目标追踪算法,通过任务分割模块将计算任务合理卸载至边缘云并利用信息融合模块对计算结果进行分析融合,此外,添加运动检测模块以进一步降低终端节点的计算压力和功耗。最后,对不同部署策略进行对比实验,实验结果表明,相比计算任务本地计算,该部署策略明显降低了任务响应时间;相比完全卸载至边缘云,该部署策略降低了相同计算任务的处理时间。