在计算机视觉领域中,目标跟踪一直以来都是一个基础的、重要的研究课题,有着其广泛的应用,随着近年以来人工智能技术的不断发展成熟,目标跟踪有了更加重要的应用价值,同时对其也提出了更高的要求,通常在视频场景中往往会存在遮挡、光照变化、背景复杂等多种干扰因素,这些极具复杂性的因素也使得目标跟踪一直面临着巨大的困难及挑战。因此,本文对在面临复杂情况下的目标跟踪技术进行了研究。(1)本文着力于关注在复杂情况下的目标跟踪算法的研究,针对在背景存在干扰、遮挡、目标自身变换等复杂情况下单一特征的跟踪算法不能有效进行目标描述、抗干扰能力差的问题,提出采用多特征融合机制,选取经过大量证明的表征性能良好的HOG特征和从深度网络的不同层中提取出来的不同深度特征进行特征融合,有效地提高了目标跟踪的效果。(2)对于目标跟踪过程中出现的跟踪效果差的情况,持续的低质量跟踪的误差累计最终可能导致跟踪失败,提出自适应的模型更新机制,通过更新模型对低质量跟踪情况进行重跟踪,在构建更新模型时,充分考虑目标在时序上的特征信息以及当前目标特征信息,构建可靠的更新目标模型对目标进行重跟踪,整体跟踪效果得到了有效提升。(3)对于复杂背景影响下的跟踪情况,算法可能不能对目标与周围背景进行明显的区分,从而导致目标跟踪效果不可靠,在出现这种情况时,通过对跟踪置信图进行分析,利用跟踪目标的速度信息以及轨迹可信度协同评价,去除置信图中明显漂移点,进一步提升跟踪结果的精度。