目标跟踪来源于人类生活中常见的注视行为,它是计算机视觉中最基础且重要的任务之一,被广泛应用在军事、安防、人机交互、医学临床诊断等领域。当前研究比较火热的目标跟踪算法主要为相关滤波跟踪算法与深度学习跟踪算法在相关滤波目标跟踪算法中,CSK相关滤波目标跟踪算法利用正则化最小二乘法计算滤波器模板,使用循环位移操作扩展训练集,通过在循环位移的训练图像中定义核空间的方式引入非线性核,由于具有高速、准确的优点,成为了目标跟踪领域中的一个经典模型。然而CSK跟踪算法作为一种相关滤波算法存在着跟踪区域与模板尺寸的耦合,这个耦合导致了CSK跟踪算法只能对跟踪图像的小局部进行跟踪。而在实际场景中,由于物体的快速移动、视频掉帧或者准确率不佳等因素,目标会偏移到跟踪区域之外,这就会导致CSK跟踪器跟踪的完全失败。针对CSK跟踪器这个缺点,本文提出了一种改进的CSK目标跟踪算法。算法利用深度学习中的卷积层推理方法,对跟踪区域与模板尺寸进行了解耦,得到了一种可以自由选择跟踪区域的改进CSK跟踪算法,并设计了三种模板计算方法(CSK模板裁剪、交替方向乘子法、梯度下降法),在OTB100数据集上,改进的CSK跟踪算法在同样的配置下比原CSK跟踪算法精确度高10.8%,验证了算法的有效性。此外,为了加速卷积层推理过程,本文还提出了一种基于快速傅里叶变换的高效卷积层推理算法,算法将卷积层推理过程转化到频域,通过解决频域乘法的循环问题,大幅提高了大卷积情况下的卷积层推理速度,在卷积核大小为50的情况下,快速傅里叶变换卷积层推理算法速度比普通卷积层推理算法快100倍以上。