作为计算机视觉领域的研究热点之一，目标跟踪在视频监控、无人驾驶和人机交互等方面得到了广泛的应用。由于跟踪场景复杂多样，目标可能会受到自身运动形态的变化或者外界环境因素的共同影响，要研究出一种能应对各种复杂场景的鲁棒跟踪算法仍然十分困难。本文结合相关滤波框架的优势和卷积特征表征能力强的特点，从探索可靠的模型和鲁棒的特征两方面着手，对现有的相关滤波算法加以改进，保持速度优势的同时提高了精度和稳定性。主要研究内容如下：
　　从模型方面对基于相关滤波的Staple算法进行改进，提出了一种基于自适应上下文感知的算法(命名为ACHU)，关键点在于优化样本的结构和调整更新策略。针对循环矩阵导致的边界效应问题，通过整合上下文的真实背景信息作为训练样本增加了合理样本的数量。然后利用卡尔曼滤波预测目标的运动方向，在训练过程中给该方向的上下文样本自适应分配更大的权重，增强了模型的判别能力还保留了闭合解。此外针对采用固定学习率的问题，引入了用于判断响应图置信度的指标APCE，在此基础上提出了一种线性更新策略，能够避免目标被遮挡时导致的模型污染。
　　从特征方面对ACHU算法进一步改进，利用卷积特征表征和泛化能力强的特点，提出了一种基于层级卷积特征的算法DeepACHU。通过可视化实验发现，浅层卷积特征分辨率高有利于精确定位，而深层卷积特征包含的语义信息有利于分类。用离线训练好的VGG-16网络作为特征提取模型，将两层卷积层输出的特征图经过双线性插值后分别用于训练相关滤波器。由于上下文与目标区域之间存在重叠，使用感受野映射的方式加速特征提取。最后，利用不同模型的检测响应图基于主次峰比率构建了可靠的加权系数，将模型在决策层面进行融合。
　　将ACHU和DeepACHU在公共数据集OTB-2013和OTB-100上进行实验，并与一些主流算法做定量和定性对比，结果充分证明了本文算法的有效性和鲁棒性。