目标跟踪一直以来都是机器视觉领域的一个焦点问题,其目的在于在图像序列中定位感兴趣目标并持续、稳定和准确地跟踪下去。目标跟踪在人机交互、武器制导、汽车自动驾驶、视频监控、可穿戴设备等领域有着广泛的应用。然而,在实际场景中目标跟踪面临着诸多挑战,目标的尺度变化、姿态变化、环境光照变化、背景复杂以及遮挡甚至是离开视野后重现等问题都会影响跟踪性能。在上述复杂情形下,长时间稳定跟踪目标依然是严峻挑战。近年来判别式跟踪算法引起了广泛关注,该类方法通过训练和更新在线分类器来确定目标的位置。其中基于核相关滤波的跟踪算法取得了非常优秀的跟踪效果,并且取得了非常可观的跟踪速度,满足实时处理要求。本文以核相关滤波目标跟踪算法为基础,从两个层面针对相关滤波目标跟踪难以实现长时间目标准确跟踪的问题进行研究改进。核相关滤波方法对目标尺寸变化和遮挡适应性较弱,从而导致在长时间目标跟踪过程中跟踪性能下降甚至是跟踪失败。本文针对这个问题,在核相关滤波框架上引入尺度不变特征,通过局部显著性和稳定性分析,在搜索区域中筛选可靠关键点,进而实现在目标被遮挡和尺度变化时对关键点特征的可靠跟踪;在此基础上,进行核相关滤波模块和关键点匹配跟踪模块输出的加权融合。实验表明通过两个独立模块相互辅助、相互约束进而可以得到更加准确的目标位置。其次,针对核相关滤波在长时间目标跟踪过程中遇到复杂情形如目标严重遮挡、离开视野后重现、严重漂移等情形导致的跟踪失败,本文提出在核相关滤波框架上添加一个基于全局显著性分析的独立检测器模块,实现在上述情形下的目标重检测,提高长时间目标稳定跟踪的性能。