目标跟踪技术一直以来都是计算机视觉领域中最为重要的研究方向之一,有着许多方面的实际应用,包括人机交互、视频监控、自动驾驶等等。其任务是在一系列连续的视频图像帧中定位给定的目标位置。现如今效果较好的目标跟踪算法主要利用到了基于稀疏表达的生成式模型,以及基于相关滤波器的判别式模型。本文针对传统相关滤波器跟踪算法只利用了单一的目标表观模型和决策机制,从而不能鲁棒地应对目标旋转、形变等问题,提出了一种基于多模型表达的动态决策融合机制。该方法利用多模型各自的优势,并行且互补地描述目标外观,在不同情况下自适应地调整决策融合与模型更新机制,因而能有效地应对遮挡、目标旋转等困难情形。另外为了弥补传统目标跟踪方法浅模型的劣势,本文提出一种全新的端到端的多相关滤波器网络结构体系。该模型拓展了传统相关滤波器的维度,充分地利用多层深度卷积特征,将多相关滤波器网络结构的训练更新集成到深度学习的框架中。本文所提出的目标跟踪算法创新性地将紧密连接型结构和狄拉克权重引入到目标跟踪领域,有效地学习数据针对性的网络模型,增强模型的表达和判别能力,从而提高跟踪算法在目标形变等因素下的鲁棒性。此外,本文还提出一种基于核相关滤波器的尺度估计策略,通过引入将核方法,有效应对目标尺度变化问题。最后,本文在两个通用的基准数据集上进行了大量且充分的实验,实验结果表明相比于近些年来跟踪效果优秀的其他算法,本文所提出的目标跟踪算法取得了出色的跟踪精准度和成功率,同时对目标表观姿态变化具有良好的鲁棒性。