目标跟踪是计算机视觉领域一个备受关注的研究热点。目前因为相关滤波器算法的显著效果,许多学者将相关滤波器引入到目标跟踪框架中并取得较多成果,但与此同时,目标跟踪领域依然存在很多问题,比如遮挡问题、目标尺度变化以及背景信息干扰等,上述因素都会影响目标跟踪效果。为了提高目标跟踪鲁棒性,本文对跟踪中三方面问题做了研究分析:特征选择、滤波器模板更新以及目标尺度变化。主要研究内容如下:(1)提出自适应选择特征的策略。分别提取目标的方向梯度特征和颜色特征,并训练各自滤波器模型,然后在检测阶段计算不同特征响应图的峰值旁瓣比,对两种特征进行自适应加权融合,在跟踪过程中发生遮挡时这种方法效果较好。(2)提出对滤波器模板选择性更新的策略。首先设定一个阈值,然后据此判断目标是否发生遮挡,如果发生遮挡则滤波器模型不变,否则需要更新模型,这种方法提高了滤波器模板的有效性。(3)引入尺度估计方法,对目标进行实时更新尺度策略。首先在目标四周采集多尺度样本,用于训练滤波器,然后得到最大响应值,即能得到最适合的目标尺度。这种方法自适应的改变目标跟踪框尺度大小,提高了跟踪精确度。(4)根据以上的研究提出了基于多特征融合自适应尺度变化目标跟踪方法,同时选择性更新滤波器模型。本文提出的改进算法在OTB测试数据集进行实验分析对比,结果显示本文算法与其他算法相比在遮挡、尺度变化等情况下跟踪精确度、实时性更高,具有一定研究价值。