目标跟踪是计算机视觉众多应用中重要的组成部分之一,具有很大的研究价值。目标跟踪的主要任务是在一个视频中,在每一帧都给出目标的具体位置和大小,其中只有目标的第一帧的信息是已知的。尽管目前阶段目标跟踪已经取得了很大的进展,但是由于存在模型快速移动,光照变化,背景模糊等挑战,目标跟踪依旧是一个富有挑战性的研究问题。基于判别式相关滤波相结合的算法自提出以来,由于其兼具了速度以及精度的特点,吸引了大量研究者的关注。但是,现在大多数的相关方法,都只考虑到了当前帧的滤波器而忽略了滤波器的历史信息。在本文中,我们提出了一种利用多滤波器的在线权重学习组合目标跟踪算法。在我们的算法中,有一个专家组,这个专家组包含了从过去到当前的滤波器,在每一帧中,每个滤波器都会给出一个预测结果,然后我们应用一种自适应的在线组合算法来组合这些滤波器的结果,同时,我们使用了信息熵来优化我们的模型。最后,我们提出了一种新的模型更新优化策略。本文在OTB2013和OTB2015这两个目标跟踪的主流数据集上做了大量的实验与测试,根据统一的标准进行评估。经过各种定性和定量的实验结果分析表明,我们提出的算法具有很好的跟踪鲁棒性。