随着人工智能的快速发展,目标跟踪技术得到了广泛的应用,如汽车自动驾驶、智能监控、人机交互、智能交通等领域,由于其应用领域十分广泛,应用场景也变得更加复杂。目前目标跟踪技术受到尺度变化、复杂背景、局部或完全遮挡、旋转、光照变化等多种因素的困扰,这些因素成为了跟踪领域中难以解决的问题。近年来目标跟踪算法取得了丰硕的成果,其中基于核相关滤波器（Kernel Correlation Filter,KCF）的目标跟踪算法最为成功,该算法相对于其他算法具有较高的实时性和鲁棒性。本文主要是通过KCF算法在目标尺度变化、遮挡等场景中存在的一些问题进行相关的研究,以提高跟踪算法在复杂场景中的跟踪性能。本文的主要研究工作内容如下:（1）提出了一种基于特征融合的KCF目标跟踪算法。针对原KCF算法采用单一的方向梯度直方图（Histogram of Oriented Gradient,HOG）特征在目标发生遮挡、尺度变化、旋转、光照变化等不能较全面描述目标外观信息时,导致算法存在跟踪精度和鲁棒性差的问题,本文首先在采集基础样本时,增加了能够分辨目标不同色彩信息的颜色名（Color Names,CN）特征;其次分别对HOG和CN特征进行提取,并将提取后的HOG和CN特征采用加权的方式进行融合,以融合后的特征作为目标的外观描述;最后利用循环矩阵的性质对基础样本进行循环移位操作,构造大量的样本集,通过脊回归模型以及核函数训练样本集得到核相关滤波器,用核相关滤波器对目标进行检测,由输出的最大响应值确定目标在图像中的位置。研究结果表明,本文所提特征融合算法相比于原KCF算法在复杂场景中具有较好的抗干扰能力,提高了算法的跟踪精度。（2）提出了一种抗遮挡干扰的KCF目标跟踪算法。针对原KCF算法在目标发生遮挡时容易出现跟踪丢失的问题,本文加入了一个遮挡判定模型,采用图像上一帧和当前帧的峰值旁瓣比的均值作为判定目标是否发生遮挡的阈值,若当前帧的峰值旁瓣比值小于当前帧阈值,则判定为目标发生了遮挡,进而采用URTS-EM（Unscented Rauch Tung Striebel-Expectation Maximum）算法对目标的运动轨迹进行预测,即对遮挡后的目标进行处理,然后将预测得到的目标位置反馈给原KCF算法。研究结果表明,该方法在目标发生遮挡时具有较好的鲁棒性。（3）提出了一种尺度自适应变化的KCF目标跟踪算法。针对原KCF算法的跟踪框不小不变,不能实时准确适应目标尺度变化的问题,本文在原KCF的框架下,添加了一个对目标尺度进行估计的步骤,在利用核相关滤波器得到的目标位置处,采集多个不同尺度的样本训练一个一维的尺度滤波器,并通过该尺度滤波器对目标进行检测,根据检测的最大输出响应值实现对目标尺度大小的估计。研究结果表明,本文算法的跟踪框能随着目标尺度的变化而自适应的改变,大大地提高了跟踪的算法实时性。本文内容主要是根据当前比较流行的KCF目标跟踪算法存在的不足进行的相关研究,并给出了解决方案,即本文所提出的算法。实验中,与本文所提出的改进KCF算法进行对比的经典跟踪算法和测试视频序列均来自于OTB（Object Tracking Benchmark）,采用OPE（One-Pass Evaluation）的评价方式来评价跟踪算法的性能。实验研究表明,本文所提出的改进KCF算法是有效可行的,解决了目标发生遮挡和尺度变化的问题,提高了跟踪算法的跟踪精度和鲁棒性。