视觉跟踪是视频监控和人机交互等应用的重要组成部分。目标跟踪算法通过视频序列第一帧中的边界框确定视频序列后续帧中目标的位置和尺度,边界框来自人工标注或目标检测。基于相关滤波的目标跟踪算法已经取得了较好的性能并引起了广泛的关注,相关滤波运用大量循环移位的样本进行学习,并且将空间域中的相关操作转换到频域的点乘操作,复杂度从O(n~3)下降到O(nlogn)。本论文以提升相关滤波跟踪算法的准确性为目的,介绍了两种基于RGBD的改进方法。第一,本文介绍了一种目标感知的判别相关滤波目标跟踪方法。此方法利用RGB和深度图对搜索区域计算精确的目标背景分割图,目标背景分割图用于对提取的特征加权处理。首先,根据视频序列第一帧的标注初始化目标与背景的颜色和深度直方图。然后,根据贝叶斯规则计算颜色和深度分割图。最后,融合分割图与余弦窗后对提取的特征进行加权处理,处理当前帧后,使用线性插值法更新目标与背景的颜色和深度直方图。与仅使用预先定义的余弦窗相比,分割图可以使跟踪算法更关注属于目标的区域,并且在跟踪过程中分割图可以动态调整。通过仿真进行验证,改进的方法比仅使用余弦窗口的跟踪方法具有更高的鲁棒性。在普林斯顿RGBD跟踪数据集中,文中方法与基准方法相比精度提升15.74%,成功率提升13.52%。第二,本文介绍了一种判别相关滤波框架中融合深度信息的目标跟踪算法。首先,使用K均值聚类方法对深度图跟踪框内的一维深度直方图进行处理得到关于目标形状的空间可靠性图。然后,根据可靠性图计算约束滤波器避免传统相关滤波边界效应。最后,在跟踪阶段对通道响应进行可靠性加权求和获得目标的位置,根据目标区域的深度分布和相关滤波器的响应来检测遮挡,遮挡期间不更新模型,减少漂移的问题,通过目标的深度信息估计尺度。仿真实验在普林斯顿RGBD跟踪数据集和STC数据集中进行。在普林斯顿跟踪数据集中,文中方法与CSR-DCF算法相比精度提升25.25%,成功率提升20.77%。结果表明,文中方法在遮挡和尺度变化的情况下能够较好的跟踪目标。