随着第三次人工智能浪潮的兴起,在大数据技术的不断发展以及深度网络强大的问题解决能力的共同帮助下,深度学习不断突破计算机视觉所带来的挑战。目标跟踪作为计算机视觉的重要组成部分,广泛的应用于生活的方方面面,如道路监控、行为分析等,占据了举足轻重的地位。过去数十年中,国内外目标跟踪领域新理论、新算法接连涌现,并不断收获相应的研究成果。目前,主流的目标跟踪算法主要面临如下三点问题:第一,传统的目标跟踪算法大多在目标自身变化和外部因素影响下会导致目标跟踪结果极其不稳定;第二,当目标不止一个或在整幅图像中占比较小时,传统算法和浅层机器学习算法也不能很好地进行高精度的跟踪;第三,事实上,目标跟踪对实时性和鲁棒性的要求很高,传统的目标跟踪算法大多不够鲁棒,而基于深度学习的目标跟踪算法也没有很好地实现精度与速度之间的平衡。本文针对上述问题提出了有效的解决方案,详细内容叙述如下:（1）针对传统的目标跟踪算法在外界光照变化、目标遮挡、运动模糊等干扰下导致的精度和实时性差的问题,本文研究并提出了一种基于深度稀疏降噪自动编码器的多特征融合目标跟踪算法（SDDAE-MultiFF）。该方法把图像增强类算法改进并运用到自采集图像的预处理中,使得训练集数据和测试集数据的质量得到有效提升;提出尺度不变的自适应阈值纹理特征,然后提取目标的该特征和颜色特征,进行加权融合,利用深度神经网络进行学习,构建多特征深度稀疏降噪自动编码网络;再通过逻辑回归分类器获得置信度得分,进一步有效地区分目标和背景。末了,结合粒子滤波框架对目标进行跟踪。通过与传统的三种算法和六种当下流行算法定性和定量的比较,该方法不仅能够更准确地对存在干扰问题的视频进行跟踪,而且能够满足实时处理的要求。（2）针对多目标、弱小目标跟踪效果差的问题,本文提出一种基于检测的新型目标跟踪方法（Y03-FKCF）,该方法把YOLOv3与快速核相关滤波相结合,先应用图像拼接方法扩展自采集的数据集;通过马氏距离和最小余弦距离加权整合目标运动信息和表观信息,再加上K邻域搜索方法对YOLOv3网络模型进行改进;然后利用迁移学习的训练方法对改进后的网络模型进行训练,得到一个结合自备训练集的实用模型,有效提升其在多目标场景还有弱小目标的目标检测准确率;末了,构建快速核相关滤波,将它们联合起来进行目标跟踪。实验结果表明,改进后的目标检测部分提高了多目标和弱小目标场景的检测精度,与改进方法相结合的目标跟踪方法在相应场景的跟踪过程中也有较高的精度、较强的鲁棒性和适宜的实时性。