在计算机视觉研究领域中,目标跟踪作为计算机对外界信息深层解析的基础,无论在国防军事还是在生产生活中都有着不可或缺的应用需求。在实际应用中,复杂多变的环境条件给目标跟踪带来巨大挑战,如何提高跟踪算法的鲁棒性是本文研究的主要内容。粒子滤波算法在移动目标状态估计中,粒子样本数目越多,其状态估计效果越好,但是会产生较大的计算量,并且在状态递归估计中,容易导致粒子匮乏现象,继而降低算法跟踪性能;在核相关滤波目标跟踪算法中,当目标产生遮挡时,滤波模板容易受到污染,并且目标遮挡前后其位置可能发生较大偏移,容易导致跟踪器丢失目标;当目标发生尺度变化时,核相关滤波算法因为模板大小固定而无法与目标尺度保持一致性,致使跟踪精度下降。针对以上三个问题,本文提出了相应的优化方法,具体工作如下:为了提高粒子滤波算法的计算效率并保证粒子的多样性,本文提出了一种基于粒子繁衍的粒子滤波算法,首先,在重要性粒子集中筛选大权值粒子,然后在大权值粒子周围通过随机采样的方式生成新粒子,得到的粒子样本彼此独立且唯一,从而保证了粒子的多样性,并且提出方法不需要对大权值粒子进行多次复制操作,减少了计算量,提高了算法效率。最后,通过两部分对比实验,证明了提出算法在效率提升及保证粒子多样性问题上的有效性。为了提高核相关滤波算法在目标遮挡中的鲁棒性,本文提出了一种鲁棒性遮挡预测算法,首先将目标分成多个不同的区块,使用多滤波模板对各个区块训练得到不同的分类器,其次于下一帧中结合改进的粒子滤波算法对每个块的状态进行估计,然后通过所有块的状态信息估计目标位置,最后通过对比实验证明了提出算法在处理目标遮挡问题上的有效性。为了提高核相关滤波算法在尺度变化中的跟踪精度,本文提出了一种尺度适应性方法,首先基于目标块位置,以上一帧目标块的大小为固定模板,对该模板进行不同尺度地缩放,得到多个尺度窗口,然后通过尺度滤波器筛选响应值最大的窗口作为目标区域,对应的尺度因子作为目标的更新比例,最后结合提出的目标遮挡和尺度更新两种方法,基于OTB数据做了多组对比实验,结果表明提出算法在处理目标遮挡和尺度变化问题上具有较好的性能表现。