视觉目标跟踪是计算机视觉研究领域的重要课题,目前,视觉目标跟踪领域研究人员相继提出了一系列优秀的算法和框架,但鉴于目标跟踪过程中的形变、遮挡、光照变化、随机性运动等问题,要保证跟踪算法实时性、准确性和鲁棒性依然面临很大的挑战。针对上述问题,本文基于经典的相关滤波目标跟踪框架提出了一种改进的目标跟踪算法。首先,本文分析了卷积神经网络不同层输出的目标特征在跟踪任务中的不同作用。其次,本文研究了使用精度更高的卷积神经网络模型对于提高目标跟踪结果精度的可能性。在此基础上,本文选取了Res Net-101深度卷积神经网络模型,并对该模型进行了分析。由于不同网络层的输出特征映射具有不同的特性,本文最终选取了三个网络层的输出特征作为目标特征以更加准确的对目标进行检测和跟踪,同时应对可能发生的目标形变、遮挡、光照等挑战。在以往的神经网络训练过程中通常只对网络权值进行一次初始化。首先,本文研究对比了不同的权值初始化方式对网络精度的影响,并改进提出了渐进式的权值初始化方法来提高网络的性能。其次,由于现有的目标跟踪算法中目标图像的采样和滤波器模型的更新均采用逐帧更新的方式,本文通过对比分析相邻帧的图像特点,改进使用了稀疏的方式来采样样本图像并对模型进行更新。最后,本文搭建了目标跟踪实验环境,在VOT目标跟踪标准数据集上测试了本文提出的跟踪算法性能,并与其他几类主流算法性能进行了比较。结果证明文中提出的改进方法可以有效的提高跟踪的性能。