目标跟踪技术是计算机视觉领域中一个重要研究课题,其主要任务是在视频序列中获取感兴趣目标的位置,已被广泛应用于人机交互、视频监控、行为分析、安防及机器人等行业。目前跟踪技术取得很大的进展,但在实际应用场景中,仍面临诸多挑战,目标与背景间的干扰、目标自身的尺度变化以及旋转、目标所在区域的光照变化等都可能导致跟踪漂移甚至失败。为解决以上问题,通过结合判别模型的知识训练与更新分类器来获取目标和背景的有效判决边界。对于目标跟踪最重要的两个指标即为鲁棒性与效率。鲁棒性要求跟踪算法对目标的运动、姿态变化以及场景干扰具有准确的输出。针对以上问题,本文首先利用VGG-Net-19的多层结构提取待测图像的多层卷积特征,通过相关滤波的方法获取卷积神经网络的多层卷积特征并对其进行加权融合,从而确定目标的真实位置。算法通过结合多层卷积层以及全连接层的特征,使得针对不同干扰的跟踪效果有很大提升。对目标跟踪效率的提高可以保证跟踪算法的实时性,如果跟踪不具有实时性,则目标跟踪就失去了它的意义。在这种情况下,通过改进一种感知相关滤波器,来实现跟踪器间实时的高速计算。对于高速计算的主要贡献来自于改进的深度特征压缩,并通过内容感知特征结合多个自动编码器来实现。为了得到适用于目标跟踪的特征图,分别针对于训练阶段与微调自编码器阶段加入了正交损失函数,最终跟踪效率得到了很大提升。经过实验表明,本文所改进的方法分别在鲁棒性与效率方面得到了一些改进。