随着计算机技术的发展,目标跟踪问题越来越成为计算机视觉领域中的热点问题,是后续进行其他处理操作的基础。在大多数目标跟踪场景下,各种状况的出现都会让很多跟踪算法面临极大挑战。目前,跟踪算法中相关滤波算法速度非常快,但准确度不高。深度学习算法的准确度高,但是实时性还是达不到要求。因此,研究目标跟踪算法仍然非常重要。针对目标跟踪过程中出现的背景混乱、目标快速运动、目标发生形变等挑战,文章致力于研究面向目标跟踪的记忆机制相关滤波算法。主要工作如下:1)在目标跟踪过程中,针对目标形变、光照变化挑战,提出一种基于峰值旁瓣比的视觉跟踪算法,方法将上下文信息加入到相关滤波器内,提取颜色特征和方向梯度特征来构建目标外观模型。同时在目标模型更新过程中,采用峰值旁瓣比对跟踪参数进行更新。在OTB50、OTB100、UAV123、TC128数据集进行测试,算法成功率和精度较高。2)针对单一特征可能造成跟踪不准确的问题,提出一种多特征融合目标跟踪算法,方法对目标初始化后提取目标的CN特征、HOG特征、纹理特征来构建外观模型。并且采用包含瞬时、短时、长时记忆空间的三层旋转圆记忆模型对目标模板进行更新,在OTB50、OTB100、TC128数据集上进行试验,算法有较强的跟踪能力。3)针对相关滤波操作进行中响应图发生突变情况,提出一种异常抑制相关滤波算法,方法构建一种能抑制异常的相关滤波器,采用ADMM方法加快滤波器计算速度。提取CN特征和HOG特征构建目标外观模型,同时添加尺度滤波器。在更新过程中,采用记忆模型来更新目标模型并将尺度滤波器设置合理参数。在OTB50、OTB100、UAV123数据集上进行试验,算法能实现较准确的跟踪。综上,文章提出方法将上下文信息和异常抑制方法添加到相关滤波器内,同时添加尺度滤波器防止单一尺度造成跟踪不准确问题,并且采用CN、HOG、纹理三个特征来构建目标模型。之后使用三层旋转圆记忆模型和峰值旁瓣比来更新目标模型。文章所提的研究方法,在目标跟踪领域上为更多的学者提供了发展方向。图31幅;表11个;参58篇。