空间正则化相关滤波方法具有较高的准确性和较好的鲁棒性,因此在视频目标跟踪领域得到了广泛的应用。对比目前现有相关滤波方法,空间正则化的引入解决了传统方法边界效应的影响从而实现了性能的提升。但是,空间正则化相关滤波方法存在两个方面的缺点。第一,空间正则化的引入造成了计算复杂度的提升,这导致跟踪算法不能满足实时跟踪的要求。第二,传统空间正则化相关滤波方法使用的人工设定的空间正则化权重矩阵,他没有包含到目标外形信息并且在跟踪过程中不能随着目标外形的变化而变化。这导致跟踪算法在多变的场景下跟踪准确性下降。本文针对空间正则化方法的两个缺点,提出了快速目标自适应空间正则化方法。首先,我们优化了滤波器的求解方法,使得我们能够快速在时域和频域中求解滤波器。然后,我们通过数据驱动的方式学习到包含目标信息的目标自适应空间正则化权重矩阵,它可以帮助更好地学习一个有区分力的滤波器。方法的有效性在目标跟踪数据集OTB-2015和VOT-2016上得到了验证。在OTB-2015数据集中,相比于空间正则化相关滤波方法,我们的方法取得了5倍的速度提升并且在跟踪成功率和准确率方面取得了3.7%和3.3%的效果提升。在VOT-2016数据集上,本文方法取得了0.004的性能提升。另外,本文方法具有广泛的普适性,能够帮助传统相关滤波方法在保持速度优势的前提下取得显著性的准确性提升。