在计算机视觉中,目标跟踪是一个基础的研究方向。目标跟踪技术广泛应用于人机交互、智慧城市、军事安全等领域。当前涌现出许多优秀的目标跟踪算法,但随着目标跟踪技术应用场景的日益增多,目标跟踪的研究也面临越来越多的挑战,如遮挡、快速运动、背景干扰等问题。核相关滤波目标跟踪算法以其高速率、高精度的特点得到了广泛关注。核相关滤波跟踪算法通过循环移位构造大量候选样本与引入多通道特征实现目标的鲁棒性表征,取得良好的跟踪效果。但当目标在运动过程中遇到模糊、遮挡、形变等场景时会出现目标漂移、对目标外观变化适应性弱等问题。针对核相关滤波跟踪算法在目标跟踪过程中的不足,本文提出改进方案并设计实验进行验证。本文主要工作总结如下:(1)研究分析了生成式与判别式目标跟踪算法的执行流程与各自经典算法的特点,并着重论述了基于相关滤波的目标跟踪算法的基本原理,对其算法核心与执行流程进行了详细分析与阐述。(2)为了提高跟踪模型的性能,本文提出了一种多策略的相关滤波跟踪算法。通过在特征层对目标区域的HOG、LBP、CN特征进行组合的方式,得到目标区域的特征池,形成更具鲁棒性的目标特征表示。然后使用对应的检测模型分别计算出对应的目标位置,根据检测模型的鲁棒性评价指标,选择出最佳预测目标位置作为其中心位置。在模型更新阶段,通过计算适用于当前帧的更新参数,选择自适应更新策略。最后使用尺度滤波器获取目标的最佳尺度,完成目标跟踪任务。(3)针对传统人工特征在目标旋转、快速运动等场景下跟踪精度低的问题,本文提出了一种深度特征与HOG特征相结合的相关滤波跟踪算法。将深度学习引入到相关滤波框架中,通过结合深度特征与传统HOG特征,形成目标区域的高中低多层次表达。然后对检测模型获取到高中低特征的响应进行线性组合,得到更加综合的目标预测结果,将融合后的响应图中最大值位置作为目标中心位置,再使用高置信度更新策略对模型进行更新,进一步提高算法的鲁棒性。最后使用尺度滤波器求解出目标的最佳尺度,显著地提升了目标跟踪精度。