视觉系统是人类获取外界信息的主要途径。据统计,大约有80%的外界信息是通过眼睛被人接收的,然而,人类的视觉在各种领域受到了很大的限制。随着计算机技术的飞速发展,让计算机来处理人类视觉信息,推动了计算机视觉这一学科的产生与发展。目标跟踪作为计算机视觉的一个重要分支,在视频监控、智能交通、人机交互和虚拟现实等领域有着广泛的应用。近些年,提出了很多种目标跟踪算法,但是在实际跟踪过程中,当目标遇到形变、光照变化、尺度变化以及遮挡等情况时,单一算法容易导致跟踪目标丢失。针对这些问题,本文以核相关滤波目标跟踪算法为基础,作了比较深入的研究,主要研究内容包括以下方面:(1)针对核相关滤波跟踪算法理论的研究,首先研究了相关滤波器、岭回归分类器、核函数、循环移位矩阵以及余弦窗函数基本理论,然后研究了密集采样下将循环矩阵用于岭回归分类器中得到快速训练、快速检测和快速核相关的过程,最后总结核相关滤波跟踪算法的整体流程。(2)针对核相关滤波跟踪算法在跟踪过程中遇到目标形变及光照变化时跟踪精度差的问题,通过提取目标的灰度特征、颜色名称(Color Name,CN)特征以及方向梯度直方图(Histogram of Oriented Gradient,HOG)特征,并利用加权特征融合的方法将三种特征进行响应融合。实验结果表明:该方法弥补了核相关滤波跟踪算法只采用单个特征时跟踪精度差的不足,提高了算法处理目标形变及光照变化性能。(3)针对核相关滤波跟踪算法在跟踪过程中遇到目标尺度变化时目标跟踪框漂移的问题,提出一种尺度自适应策略,首先对当前帧的目标位置周围进行采样得到不同的尺度样本,然后构建一个独立的尺度滤波器,并对尺度滤波器进行学习和训练,最后选取尺度滤波器响应最大的尺度样本作为当前帧目标的最佳尺度。实验结果表明:该尺度自适应策略可以很好的解决了跟踪过程中目标尺度变化问题。(4)针对核相关滤波跟踪算法在跟踪过程中遇到目标遮挡时模型更新容易发生错误的问题,提出一种高置信度模型更新策略,通过计算当前响应图的峰值和响应图的振荡程度,再与它们一定的历史均值进行比较来决定是否对目标模型进行更新。实验结果表明:该高置信度模型更新策略降低了遮挡背景下模型更新时产生的累积误差,提高了跟踪实时性。