目标跟踪是计算机视觉领域的重要研究方向之一,它在人机交互、智能监控、无人机及无人驾驶等方面具有非常广泛的应用。近年来,基于相关滤波的目标跟踪算法在具备了优良跟踪精度的同时,取得了优异的跟踪速度,引起了研究人员的极大关注。本文从相关滤波跟踪算法中的特征融合入手,针对目前多特征跟踪算法中特征表达利用效率不高、算法实时性差的缺点,在深入分析相关滤波算法所用特征的基础上,对高效的特征融合方法进行深入研究,提出一系列创新性的方法,主要研究内容如下:(1)从理论推导入手分析各类特征的描述能力,并通过大量实验比较各类不同的特征在不同场景下的性能表现,进一步得出各类特征的适用条件和互补条件,从而为后续特征融合研究中的特征选择提供理论和实验依据;(2)针对传统串行特征融合方法的不足与局限,提出使用主成分分析的方法压缩串行融合特征中的特征冗余,以达到增加有效特征表达密度、提高特征融合效率的目的,最终在宏观上提高算法的精度和鲁棒性;(3)在特征表达策略上,根据人类视觉表达模型,提出适用于目标跟踪的特征分层渐进表达模型,针对不同复杂度的跟踪场景,自适应选用相对高效的特征表达方法,从而在保证特征表达鲁棒性的同时,提高算法实时性。采用多种标准跟踪数据集及评估方法,对提出的算法进行了充分的实验验证和对比。实验结果表明,和现有的相关滤波跟踪算法以及其他典型跟踪算法相比,本文算法在保证跟踪实时性的同时,显著提高了跟踪精度和鲁棒性。