由于相关性滤波算法具有高效、鲁棒性好等特点,近年被广泛应用于物体检测、机器视觉目标跟踪等。基于相关性滤波的视觉目标跟踪算法在保证实时性的同时,在处理物体遮挡、旋转、光线变化及尺度变化中也表现出了独特的优势。然而其作为一种基于目标检测的跟踪方法,在复杂场景下,往往会出现和跟踪目标表观类似的干扰图像块,影响目标定位。用单一跟踪器对目标建模,难以表示目标在不同时间和场景下的的多种不同状态,在长时间跟踪任务中会出现模型漂移而造成跟踪误差或失败。对于跟踪过程中出现的干扰图像块,提出以核相关性滤波跟踪算法KCF(Kernelized Correlation Filter Tracker)为基础的抗干扰跟踪算法。由于跟踪目标和干扰图像块在连续帧间运动状态和表观模型具有连续性,算法综合利用它们间的相对空间位置等信息,建立贝叶斯判别模型,优化改进目标定位和表观更新策略。实验表明,利用干扰图像块信息对目标定位提高了算法在复杂场景中的鲁棒性。为表示目标在长时间跟踪过程中的不同状态,提出多跟踪模型。在跟踪过程中,以PSR为判断依据,动态创建和选择跟踪模型。实验证明了多跟踪模型有效降低了长时间目标跟踪下的模型漂移风险,提高了算法适应不同场景的能力。