目标跟踪是计算机视觉等领域的热门课题,其在智能交通、军事及无人驾驶等方面有着广泛的应用。国内外从事目标跟踪方面研究的学者层出不穷,但由于跟踪环境的复杂性,比如运动模糊、快速运动及遮挡等,使得跟踪目标的外观发生变化,因此设计一种鲁棒的目标跟踪算法仍存在着巨大挑战。近年来,关于目标跟踪的研究逐渐从传统的算法转向基于学习的算法,其中,基于相关滤波的运动目标跟踪算法将目标跟踪问题看成是目标的分类问题,然后在分类后的结果中找出置信度最大的位置即为当前目标的位置,其计算速度快,而且对目标模型进行实时地学习更新,因此该方法兼顾了跟踪速度的同时也具备较高的跟踪精度,引起了研究人员的广泛关注。本文讨论了相关滤波目标跟踪算法的优缺点,并更深入研究了此类算法,主要创新如下:(1)目标发生快速运动时,相邻帧之间目标位置变化较大,传统的核相关滤波算法不能很好的解决此类问题。因此在核相关滤波的基础上,提出了一种新的检测模型,在保障算法时间复杂度的条件下,扩大搜索区域,在更加可靠的区域内进行目标搜索。为了进一步提高算法的跟踪性能,我们提出空间约束方法,即为每个小搜索区域分配一个权重。我们假定上一帧的跟踪结果具有一定的可靠性,则下一帧目标可能出现在以上一帧跟踪结果为中心的搜索区域内的概率会更大,因此赋予在中心位置的小搜索区域更高的权重。实验表明,本章提出的方法能有效地解决目标的快速运动问题。(2)为了解决传统的核相关滤波跟踪算法无法很好地处理目标遮挡问题,在新检测模型的基础上,加入了面向遮挡的自适应模型更新方法。新的遮挡检测机制利用历史帧信息作为目标被遮挡情况的初步判断,其次利用当前帧的最大响应值与响应均值来最终判断目标当前的遮挡情况,然后利用遮挡检测所得出的结果对模型进行自适应更新。当目标未被遮挡时,按初始权重更新模型,而当目标发生遮挡时,减小模型的更新权重,从而减少非目标遮挡信息更新到目标模型,使得模型更新更加准确。实验结果表明,本章提出的算法能很好地解决目标被遮挡的问题,并且具备更高的综合性能。本文围绕当前目标跟踪中面临的各种困难与挑战,对核相关滤波跟踪算法进行了深入研究,根据其存在的缺陷问题,提出了对应的改进方法。实验中采用的数据集是跟踪领域的标准视频库Visual Tracker Benchmark,并且本文的算法与九种目前领先的跟踪算法进行对比。实验结果表明,本文设计的算法在目标快速运动、遮挡情况下,具有较好的跟踪性能。