运动目标跟踪技术是视觉图像处理领域的一个重点研究方向,在智能化时代广泛应用于视频监控、军事制导、人机交互等领域。其中,传统相关滤波类目标跟踪算法凭借其简单、高效的优势,受到研究人员的广泛关注并且取得了显著的研究成果。但由于跟踪场景的复杂多变性,当前的跟踪算法在实际应用场景中存在着不同程度的缺陷。因此,研究在复杂情形下如何实现对目标高效、鲁棒的跟踪具有极大实际应用价值。本文以实现复杂场景下的目标跟踪为研究主线,在相关滤波跟踪算法框架的基础上,针对算法在遮挡、快速运动、复杂背景等跟踪情形下的不足提出相应的改进方法。本文的主要研究工作如下:（1）针对目标跟踪过程中因遮挡、快速运动等干扰导致的位置预测不准确问题,提出一种结合卡尔曼滤波预测的长时目标跟踪算法。在重检测模块前引入卡尔曼滤波器,对由于遮挡等干扰导致的目标丢失情况进行目标位置预测,避免了重检测模块对全帧图像的遍历检测;同时引入PCA降维方法对尺度预测滤波器进行降维,利用QR分解插值的方式在尺度预测精度相当的情况下,降低尺度滤波器的计算成本。在OTB-2015数据集上的实验表明,所提改进方法在遮挡等干扰场景能够有效预测目标位置,提高了算法的跟踪精度和实时性。（2）针对相关滤波器跟踪模型对背景干扰、遮挡等复杂情形下跟踪效果差的问题,本文提出一种时空上下文感知融合重检测机制的目标跟踪算法。首先,在滤波器模型的基础上增加时空上下文感知项,通过对目标时空上下文关联性信息的学习,提高滤波器对目标和背景的分类能力;其次,提出根据平均峰值相关能量评估目标定位的可靠性,进而决定是否对模型更新,防止模型被污染;最后,在算法跟踪框架中加入SVM重检测模块,当目标位置预测响应小于设定阈值时,表明目标跟踪丢失,利用重检测模块对目标进行重定位。在OTB-2015和Temple color 128数据集上的实验结果表明,本文所提CARDCF算法相较与所对比的主流跟踪算法在遮挡等复杂干扰情形下具有更好的跟踪性能和鲁棒性。（3）为了实现改进算法在实际跟踪场景中应用,在基于树莓派的嵌入式系统上实现对改进的长时目标跟踪算法进行移植。通过树莓派硬件平台,搭建Qt、Open CV开发环境,实现对目标图像的采集和目标跟踪任务,实验结果表明,改进算法在嵌入式环境下对目标进行跟踪时具备较强的鲁棒性和实时性。