目标跟踪是计算机视觉领域中的一个重要研究方向,包含许多尖端技术,如模式识别和图形图像处理等。今天,国家正在大力建设智慧城市,而目标跟踪技术主要应用于智能视频监控、智能交通、无人驾驶、军事等领域。现实生活场景较为复杂以及目标自身的形变等因素,此外,对计算机硬件及跟踪算法实时性的要求,现有基于视频序列的单目标跟踪技术尚未被大规模商用。因此,找到一种满足实时性要求且具有较高鲁棒性的跟踪算法具有重要的研究意义和广阔的应用前景。通常,目标跟踪技术被分为2类:生成模型和辨别模型。生成模型只考虑如何在忽略周围背景信息的情况下准确构建目标,跟踪性能不是很好;而辨别式模型既有效地利用了目标信息也充分利用了背景信息,此类方法表现出良好的性能。基于相关滤波器的目标跟踪算法作为辨别式模型中的一种,近些年取得了较大的进展,利用循环移位方法进行样本数量地扩充,使用目标区域及其周围背景区域在线训练分类器,并将训练分类器和检测目标的过程放到傅里叶域中进行,大大加快了计算速度,因此这类算法非常效。研究发现这类算法具有极好的拓展性,本文对现有的基于相关滤波器以及引入深度学习的相关滤波跟踪算法进行深入研究,主要工作:提出了一种面向复杂场景的相关滤波跟踪方法,称为基于相关滤波器的多模板跟踪算法。该算法从3个不同的方面扩充和改进了基于相关滤波器的跟踪方法,首先从目标表达能力着手,通过对手工特征和卷积神经网络提取的深度特征进行深入对比研究,同时为了保证准确性和实时性,本文对图像或图像区域分别提取深度特征和Color Name特征,所获得的2个特征图分别由相关滤波器学习,以获得不同的滤波模板;然后采用相关滤波跟踪算法获得2个特征下的响应集合,并对所得到的集合进行加权融合,通过判定极大值中的最大值得到最终的目标位置;最后进行目标尺度值的更新,现有方法仅基于当前帧的目标信息使得目标尺度值估计不准确,本文使用贝叶斯统计通过最大化后验的方式估计目标的最佳尺度值,同时更新相关滤波器参数,以实现自适应尺度的目标跟踪。本文提出的算法在OTB2013和OTB2015这2个基准数据库上进行实验,并与当前优秀的6种算法进行比较,结果表明,综合准确性与实时性考虑本文所提算法性能最优,并且在2个数据集上的成功率OP（AUE）较经典KCF算法分别提升10.7%和12.4%。