目标跟踪是在给定视频序列初始帧的目标大小和位置的情况下,持续预测后续帧中该目标的大小和位置。目标跟踪算法在视频监控、智能交通、智能人机交互等场景中有广泛应用。在跟踪时我们不限定目标的种类并且对准确率要求较高。在视频序列中目标运动的场景较为复杂并且会经常发生变化,同时目标本身也容易发生形变、平面外旋转和遮挡等问题,所以目标跟踪任务非常具有挑战性,到目前为止已有很多研究工作被提出。相关滤波和深度学习算法在现有的研究工作中被广泛使用并取得了不错的效果。相关滤波算法可以在线更新模型,但是模型只用单一矩阵来表示目标导致其判别能力较差。深度学习算法可以利用大量线下样本完成离线训练,但是在线训练时间消耗过多导致跟踪速度较慢同时跟踪的目标种类不确定导致特征提取部分较难训练。本文尝试将这两种方法结合起来,针对目标跟踪中形变和平面外旋转问题,提出了一种基于相关滤波与度量学习的目标跟踪算法。本文方法使用相关滤波算法提取目标候选位置,然后使用度量学习网络来计算目标和候选区域中样本的相似性来寻找目标具体的大小和位置,从而实现跟踪。在相关滤波算法中通过加入背景信息来抑制目标形变和平面外旋转带来的影响。在相关滤波模型训练时,先找到与目标相似的样本,然后将其视为负样本训练到相关滤波模型中,这样在目标发生变化时可防止模型产生漂移,从而优化了定位的效果。最后,本文建立了度量学习网络,并通过网络输出向量对目标位置进行进一步判断,从而得到最终的跟踪结果。其中,度量学习网络能够更好地捕捉目标轮廓信息。当目标发生形变或平面外旋转的时候可以利用轮廓信息来精确判断目标位置,从而提升跟踪的准确率。实验分析验证了本文所提出的算法的有效性。分别对相关滤波、度量学习网络等研究点的效果进行了验证,并按照不同的跟踪场景进行分组实验。在OTB2015数据集上整体的准确率和精准率分别提升了4.3%和5.1%。