目标跟踪一直以来都是机器视觉领域的一个重要的研究课题,在自动目标检测、智能交通系统、人机交互、无人驾驶、人体行为识别等领域都扮演着重要的角色。尽管对于目标跟踪算法的研究在过去的几十年中已经取得了重大的进步,但是在目标跟踪的过程中目标经常会遭受到尺度变化、目标遮挡、背景杂乱、物体形变等干扰因素的影响。因此,设计一个真正可靠、准确、高效的目标跟踪算法来应对复杂的跟踪场景目前仍然面临着许多亟需解决的问题。本文通过研究与分析目标跟踪场景的复杂性,借助于当前对于目标跟踪算法的最新研究成果,以目前最具有影响力的基于核相关滤波器(Kernelized Correlation Filter,KCF)的目标跟踪算法为基础进一步的展开本文的研究。本文的主要研究成果如下:(1)本文首先针对KCF算法存在的不足之处,分别从三个方面对其实行优化和改进。第一,原KCF算法在滤波器训练过程中采用了岭回归模型,该模型极易受到跟踪过程中产生的离群值的影响,从而引起过拟合,最终导致跟踪失败。因此,为了改善训练模型的这一不足,本文借鉴基于稀疏表示的目标跟踪算法中的思想,提出了基于L1范数的正则化训练模型,同时借助于基于核相关滤波器目标跟踪算法的计算优势,提出了高效的求解策略。该正则化模型有效的缓解了跟踪过程中离群值的消极影响。第二,针对原KCF算法在跟踪过程中无法对目标的尺度变化做出有效处理的问题,本文在跟踪过程中融入了尺度处理机制,有效的解决了跟踪过程中算法对于目标尺度变化的处理问题。第三,当目标跟踪过程中遇到严重遮挡或者目标发生旋转等情况,原KCF算法的更新策略极易导致跟踪器偏离目标,为了克服这一问题,本文设计了一个自适应的算法模型更新策略。最后,本文通过大量的实验,验证了本文的改进确实提高了原算法的鲁棒性。(2)基于相关滤波器的目标跟踪算法对于目标的空间结构具有较强的依赖性,从而使得该算法在跟踪过程中对于目标形变非常的敏感。针对这一问题,本文借助基于颜色统计信息的目标跟踪算法对于处理目标形变具有较好鲁棒性的优点,提出在已优化的KCF算法的基础上联合基于颜色直方图的目标跟踪算法模型,并设计了自适应的模型联合策略,实现双模型的目标跟踪,进一步使算法更好地应对复杂的跟踪场景。最后,本文通过大量具有挑战性的实验,证明了该联合模型跟踪算法在复杂场景中的鲁棒性。(3)原优化的KCF算法采用单个特征来对目标进行描述,而单一的特征在复杂的跟踪场景下由于受到各种干扰因素的影响往往不具备对目标进行可靠描述的能力。因此,本文提出在原优化的KCF算法基础上融合多个特征实现目标跟踪,该融合特征能够更好的应对跟踪过程中各种干扰因素对目标外观的影响。另外,在原优化的KCF算法的训练过程中只采用了当前的单个模板生成样本来训练得到滤波器,虽然对于单个模板易于计算,但是这种训练方法往往会丢失前几帧跟踪结果中的有用信息,为了使得算法具有更好的鲁棒性,因此本文在训练过程中采用多个模板并将其嵌入到本文设计的基于L1范数的正则化训练模型中,同时利用循环矩阵的性质对该模型提出了有效的求解策略。最后,本文通过大量的定性和定量实验,证明了该算法能够更好的应对复杂的跟踪场景。