随着机器学习和深度学习的高速发展,高性能的目标跟踪技术得到了广大研究者的关注,并广泛应用于各个行业与领域。近年来,KCF（Kernal Correlation Filter）跟踪算法凭借其较好的跟踪精度与极高的跟踪实时性在实际的工程应用中占据一席之地,此算法计算复杂度低,适合在硬件资源有限的嵌入式平台上部署,但KCF算法在目标形变、尺度变化以及目标遮挡的场景下表现不佳,很容易发生跟踪失败的情况,因此,在嵌入式平台下研究出具有更高鲁棒性的跟踪算法具有很好的工程应用价值。本文主要对KCF目标跟踪算法进行了深入的探索与改进,主要工作内容如下:（1）针对KCF算法抗目标形变性能差以及无法适应目标尺度变化的问题,本文提出了基于特征融合的尺度自适应算法,该算法融合了FHOG（Fast Histogram of Oriented Gradient）+ULBP-ROT（Rotate Uniform Local Binary Patterns）+CN（Color Name）特征,融合后的特征能够对目标进行全方位的描述,从而更好的克服目标形变所带来的影响。为了解决KCF算法不能适应目标尺度变化的问题,在跟踪算法找到目标位置后,对目标进行了多尺度采样,训练了一个尺度滤波器来确定跟踪框的大小,降低了由于跟踪过程中目标尺度变化导致的跟踪失败率。（2）为了提升KCF算法的抗遮挡性能,本文提出了基于模型自适应的动态搜索算法。该算法采取一种基于置信度的遮挡判别指标,并通过判别后的跟踪状态采取相应的模型更新策略,来达到模型自适应的目的,有效防止了模型的退化。特别地,在判定为严重遮挡的情况下采取动态搜索的方式来提高目标重定位的成功率。（3）为了改善基于模型自适应的动态搜索算法搜索范围的局限性,本文提出了基于粗细粒度匹配的重定位算法,该算法先由粗粒度匹配在全局范围内对目标的大致位置进行定位,然后使用细粒度匹配对粗匹配结果进行修正,从而能够准确地定位到目标。该算法与基于模型自适应的动态搜索算法配合使用,相较于传统的遮挡处理算法,在目标重现后的搜索与重定位方面具有一定的优势,有效地提升了算法的抗遮挡性能。（4）将所有基于KCF算法的改进算法融合成为HRKCF（Higher Robustness Kernel Correlation Filter）算法,且将HRKCF算法移植到了DSP（Digital Signal Processor）端,并结合DSP平台提供的算法库对算法进行了优化,在降低代码量的同时,也进一步提高了运算速度。此外,设计并实现了基于FPGA（Field Programmable Gate Array）+DSP的嵌入式目标跟踪系统的软件框架。系统主要包括基于SRIO（Serial Rapid I/O）的图像传输、基于RS422串口的上位机交互、图像显示、目标跟踪等功能。并且为了降低各模块的耦合程度,采用SYS/BIOS框架以多线程的方式完善了软件框架。