目标跟踪技术在智慧工厂和安防系统建设中具有重要作用,但运动过程中的光照变化、背景杂波以及目标遮挡和自身的尺度变化等因素都会影响跟踪的准确性。因此,研究在复杂场景中实时准确的目标跟踪方法具有重要的学术研究意义和实际工程应用价值。核相关滤波（kernelized correlation filter,KCF）算法是目前最具代表性的一种实时传统目标跟踪算法,但该算法存在两个问题,其一是缺乏目标跟踪丢失判断机制,在目标离开视场或丢失后跟踪器毫无知觉地继续跟踪错误目标,导致跟踪不稳定;其二是采用当前帧的目标特征对模板进行线性更新,在当前帧目标特征混入背景信息时会导致模板在一定程度上出现漂移从而造成后续的跟踪错误。为了解决KCF算法中的跟踪不稳定问题,本文提出了一种基于三元组网络的目标丢失判断机制,利用Faster R-CNN检测器的目标检测结果、KCF跟踪结果和模板之间的相似度确认跟踪目标,该机制结合检测器提升了跟踪器的稳定性。为了解决KCF算法中目标模板漂移问题,本文提出了一种基于增量学习的目标模板更新算法,对目标的历史特征利用增量核主成分分析（incremental kernel principal component analysis,IKPCA）提取显著特征,采用降集（Reduced Set,RS）扩展技术对增量学习后的目标特征进行压缩实现恒定速度的模板更新。该算法不仅利用目标的历史显著特征防止了模板漂移并且实现了模板更新速度的不变性。为了验证本文方法的有效性,在公开的目标跟踪数据集TC-128和OTB上进行了广泛的实验验证。实验结果表明,本文方法在TC-128数据集上选取的四个序列上的平均成功率和平均准确率分别为94.8%,97.3%,与经典的KCF跟踪方法相比,本文方法的成功率和准确率分别提高了 49.0%和40.1%;在OTB数据集的11个挑战因子上的视频实验结果表明,相对KCF算法,本文算法的平均成功率和平均准确率分别提高了 25.7%和26.0%。相对近几年先进的跟踪算法TLD,DCF,OCT-KCF以及SiameseFC等,本文方法也取得了竞争性的结果。实验结果证明本文提出的改进的KCF目标跟踪算法具有很高的跟踪准确率和成功率。本文方法可以应用在智慧工厂和安防系统中。