目标跟踪技术属于计算机视觉的一门重要技术,已经被应用于电视监控、人机交互、机器人视觉导航、医疗诊断等各个领域,目标跟踪技术的进步与发展对促进社会生产、提高社会的生活水平以及推动相关的学术研究都有着非常重要的意义。虽然目标跟踪技术的应用已经非常普遍,但其所面临的应用场景也变的越来越复杂化,如光照变化、背景模糊、尺度变化、遮挡等挑战因素的存在。所以,对于如何提高目标跟踪算法的鲁棒性和实用性依然是一门具有重大意义的研究课题。由于基于相关滤波的目标跟踪算法能够在保证目标跟踪速度的同时,还能保证跟踪算法的鲁棒性,所以自从该目标跟踪算法提出之后,就引起了很多学者对相关滤波算法的关注。相关滤波算法是通过将滤波器的复杂运算转换在傅里叶频域中降低运算的复杂度,从而实现快速检测目标的中心位置,并采用重新采样来在线更新滤波器,保证了相关滤波目标跟踪算法的准确性和速度。本文对基于相关滤波的目标跟踪算法进行了深入的研究,鉴于目前目标跟踪技术存在的困难,在以往的研究成果上提出了一些改进方法,以下为本文的研究内容以及创新点介绍:首先,总结了目标跟踪技术的发展状况以及研究现状,然后对目标跟踪算法的主要框架以及所面临的主要挑战做出介绍,同时并对本文的章节安排做出简要说明。然后,提出了一种基于融合特征的上下文相关滤波的目标跟踪算法。在通过相关滤波算法实现目标跟踪时,由于传统的相关滤波算法常常使用余弦窗口来抑制边缘效应或者在目标定位时扩大搜索范围(一般会扩大到两倍),在目标跟踪算法中所能利用的背景信息就会大大减少,从而在目标跟踪时往往会发生跟踪目标漂移的现象,基于以上传统相关滤波框架的不足之处,提出了一种基于上下文的目标跟踪算法,并提出使用HOG特征与CN特征进行融合作为输入特征来增强目标跟踪算法的准确性和鲁棒性,并且通过实验证明使用改进的相关滤波比传统的几种滤波算法具有更强的鲁棒性。其次,提出了一种基于卷积神经网络和相关滤波相结合的目标跟踪算法。近些年来,深度学习中的卷积神经网络方法在图像方面的应用非常广泛,卷积神经网络模型可以全面的提取图像的特征,然而卷积神经网络模型往往需要大量的数据和时间来进行训练,所以本文还提出了使用一种在线的卷积神经网络模型来提取图像信息,并在核相关滤波算法的框架下进行目标跟踪,通过对比实验证明使用在线的卷积神经网络模型来提取目标特征也能达到比较好的效果。最后,对论文工作进行了简要的总结与概括,并对未来的工作与创新点做出了展望。