目标追踪作为计算机视觉领域重点研究课题之一,在智能监控、人机交互等方面有着广泛应用。同时由于光照、遮挡、尺度、旋转等挑战因素的存在,使得目前的算法研究还有很大的提升空间。虽然近年来相关滤波的追踪算法以其高效性取得了显著进展,但加强计算机对目标的外观描述以提升模型鲁棒性一直是算法设计最重要的前提。本文针对现有追踪算法外观模型鲁棒性不强及目标定位不准确的问题,在相关滤波算法框架下主要完成以下工作:首先,针对被追踪目标外观模型判别性不强的问题,提出一种加权多特征融合的新外观模型HCG。基于相关滤波算法框架,本文引入HOG(Histogram of Gradient)特征、颜色特征以及原始灰度特征,分析其在描述对象时的局限性以及现有特征组合方法的不足;结合特征维度信息,设计特征之间比例关系进而构建权重向量对特征进行加权融合。通过实验验证本文所提的HCG模型能够弥补单特征的局限,且避免已有的特征融合方法过分偏向于某单一特征而致使其他特征不起作用。其次,针对目标检测阶段目标定位不准确的问题,提出一种峰值可靠性评估的目标重定位方法。使用最大峰值和平均峰值相关能量两个指标判断当前目标定位是否准确。对于定位准确的目标,最高峰值处对应目标中心,并更新HCG特征模型;否则,首先对响应图进行多峰值选择,确定目标的可疑位置,然后以多峰为中心,提取周围图像块特征比较其与追踪器中存储的HCG模型的相似性,并引入可靠性因子对峰值进行可靠性评估,将可靠性高的峰值作为新一帧目标位置。最后,综合上述两部分工作,提出一种加权多特征融合模型的目标追踪算法WMFF,将以上加权多特征融合目标模型HCG的构建与基于可靠性峰值评估的目标重定位问题结合在一起。本文给出了所提追踪算法的完整步骤和算法流程图。在公开数据集将本文算法与当前流行算法进行了定性定量的实验对比,实验结果表明本文所提的WMFF算法既使得特征实现互补,又使模型能够排除相似物、遮挡场景的干扰。