目标跟踪存在着许多影响因素,导致算法的跟踪效果达不到预期。为实现更加精确、鲁棒的目标跟踪,本文在核相关滤波跟踪框架的基础上,结合近年优秀的跟踪算法和深度学习领域相关的知识,针对跟踪中出现的问题和不足,主要做了如下的工作。针对传统特征的片面性,传统跟踪模型对于跟踪漂移问题检测手段和补救措施的缺乏等问题,本文提出了一种残差深度特征和漂移检测的核相关滤波跟踪算法。通过卷积神经网络提取分层特征,在卷积神经网络加入残差结构,连接不同的网络层,实现浅层特征和深层特征的融合。不需要人为设计特征融合方式,网络结构能够自动实现特征融合的功能。用深度特征区分目标和背景,比传统特征更具有分辨力,跟踪结果更精确;为了判断跟踪过程中模型是否发生漂移,设计了响应强度下降计数器,每一帧根据计数器的数值判断是否出现模型漂移,并采取相对应的模型更新方案作为补救措施。响应强度下降计数器检测模型漂移的策略能够处理不同场景下跟踪目标的任务,实现鲁棒跟踪。残差深度特征和漂移检测的核相关滤波跟踪算法在OTB数据集上验证,取得了一定的预期效果。针对目标跟踪算法中关于目标特征的表达问题,传统特征表达没有深度特征有效,但是单一分辨率的深度特征对于目标的多尺度表达有所欠缺。本文提出多分辨率融合特征和自适应尺度变换的核相关滤波跟踪,将不同分辨率的特征结合起来,构造出多分辨率融合特征,更加全面地描述目标。同时提出自适应尺度变换方法,综合多个候选样本的位置信息,进行目标预测位置的重新定位,适应目标的尺度变化,实现精确跟踪目标。本文提出的多分辨率融合特征和自适应尺度变换的核相关滤波跟踪算法在OTB数据集上进行验证,对比现有的算法,在精度和成功率都有较大提升。