基于判别式相关滤波器的目标跟踪方法具有较高的跟踪精度和较快的跟踪速率,被广泛应用于如人机交互、智能交通、安防监控、智慧医疗以及航空航天等领域。但是,在目标跟踪过程中,运动目标存在形变、长宽比变化及超出视野范围等情况,相机拍摄时会受到遮挡、光线变化、背景杂乱及摄像机抖动等外在因素的干扰,这些都为构建跟踪目标外观模型、滤波器模型以及目标尺度估计模型等带来了巨大挑战,极大地限制了跟踪的鲁棒性。因此,本文分别就相关滤波跟踪算法中的目标外观样本特征的融合策略、滤波器训练的时空正则化约束模型以及目标的尺度估计模型三个方面做出改进,并对改进算法进行性能仿真和验证,以期提高算法的跟踪鲁棒性。论文的主要创新有:第一,针对系数固定的样本特征融合策略导致的目标外观模型缺乏鲁棒性问题,提出一种基于目标外观样本特征自适应融合的鲁棒跟踪算法。首先,给出一种特征跟踪可靠性评价指标,用于衡量不同种样本特征的鲁棒性及区别能力;其次,提出一种多种类样本特征自适应融合的滤波器训练框架,用于提高目标外观模型的表示能力;最后,针对目标跟踪过程中存在的目标丢失问题,提出一种包含多个由不同种类样本特征训练的SVM分类器的目标重检测模块,用于在跟踪失败时重新检测目标位置。所提算法对于干扰因素具有良好的鲁棒性,具有较高的跟踪精度。第二,针对系数固定的时、空正则化约束导致的滤波器对于目标外观适应性差的问题,提出一种基于目标外观变化率的自适应时空正则化鲁棒跟踪算法。首先,提出一种根据跟踪目标外观模型的变化率自适应调整的时空正则化约束模型,用于自适应调整对于滤波器的时空正则化约束;其次,提出自适应时空正则化约束下的滤波器训练目标函数,用于增强滤波器模型对于干扰因素的鲁棒性以及对于目标外观变化的适应性;最后,提出了滤波器训练目标函数在频域中的迭代求解方法,用于实时求解更新滤波器。所提算法在保证鲁棒性的同时,对于目标的外观变化具有良好的适应性,达到了较高的跟踪精度。第三,针对基于尺度金字塔的目标尺度估计模型难以适应目标的长宽比变化的问题,提出一种于IOU-Net网络模型的目标尺度估计鲁棒跟踪算法。提出基于IOU-Net网络模型的目标尺度估计模型,用于跟踪存在长宽比变化的目标的尺度变化。算法在目标的预测位置提取若干不同长宽比的样本边界框,然后利用基于IOU-Net的尺度估计模型评估每个边界框和目标的重叠率,将重叠率分数最高的边界框的尺度作为目标尺度,从而解决目标外观长宽比发生变化时的尺度估计困难问题。所提算法对于目标的尺度及长宽比变化具有良好的适应性,对目标能够实现较为准确地跟踪。