随着智能时代的到来与计算机行业的飞速发展,目标跟踪技术在安防系统、无人驾驶、交通监控中的地位越来越突出,吸引了大量的学者专家投入研究。相关滤波算法以其兼顾跟踪速度与精度的优越性,近几年来备受瞩目。在实际的应用场景中,跟踪算法面临着目标多样性与背景复杂性等难点,其中目标的尺度变化更是影响跟踪性能的关键因素。本文在针对尺度问题提出的多特征的尺度自适应目标跟踪算法（SAMF）以及判别式尺度空间跟踪算法（DSST）的基础上进行研究,致力于在目标的尺度变化问题上寻求进一步的突破。主要工作包括:（1）提出了一种基于SAMF的分步跟踪算法。该算法在SAMF的框架上进行改进,沿用尺度池的方式对目标的尺度进行估计,针对SAMF在尺度变化过快的场景中跟踪乏力以及在待检测区域一视同仁地部署计算量的问题,采用分步跟踪的思想。第一步中使用较小的尺度池和较大的尺度间隔进行跟踪,然后将得到的目标信息作为第二步的输入,第二步中采用粒度更细的尺度池以及更小的待检测区域求得目标的准确信息。（2）提出了一种基于DSST的局部均匀跟踪算法。该算法在DSST对于目标的位置与尺度进行分离跟踪的框架下,针对DSST以第一步的位置跟踪结果为准绳进行第二步的尺度估计从而可能导致误差累积的问题,采用局部均匀跟踪的思想。在第一步得到的目标位置信息的基础上,采用尺度池的方式在小范围的待检测区域内进行均匀跟踪。（3）在改进的OTB数据集以及VOT数据集上对本文提出的两个算法进行验证,实验表明,本文方法在尺度变化的场景中,无论是成功率还是精度都较两个基准方法有一定程度的提升,证明本文提出的尺度策略对于尺度变化问题的确有着良好的效果。在其他如目标消失、光照变化、快速运动等场景中,本文方法相较于基准方法也有更好的表现,提升了跟踪算法的整体性能。（4）根据本文算法设计了一个目标跟踪系统,实现了对特定目标的跟踪,系统包括数据操作、目标跟踪以及文件操作三个部分。