随着大数据时代的来临,海量数据信息需要被高效解析。视觉作为人类获取外界信息的主要方式,蕴含着丰富的信息。为了快速自动分析视觉信息,计算机视觉发挥着重要作用。视觉目标跟踪作为计算机视觉领域的热门问题,旨在跟踪指定目标,获取其在视频每帧中的位置信息,已被广泛地应用在智慧城市、交通管制、国防军事等关系国计民生的重要领域。当前,探索高速精准的跟踪模型已成为该领域热点话题。今来,联合时空正则化与深度特征的相关滤波方法在视觉跟踪中展现出极好的性能。一方面,高效计算速度满足了目标跟踪的实时性要求;另一方面,相关滤波模型在复杂跟踪环境和目标变化条件下表现出较好的适应性。遗憾的是,相关滤波中常采用循环采样,常引入大量不真实的负样本,导致边界效应问题,弱化了滤波器的学习能力。跟踪模板也易受遮挡,产生退化现象,影响了滤波器性能。此外,当前深度特征通道与跟踪目标相关性分析尚不足,极易造成数据冗余,限制了深度特征表征能力。聚焦于上述问题,本文开展主要工作具体如下:（1）针对边界效应和模板退化问题,提出了一种动态时空正则化相关滤波跟踪方法。利用显著性检测,使空间约束适应跟踪过程中目标外观变化。在此基础上,将原始滤波器模板引入于时间正则化框架中,以提升跟踪器的鲁棒性,并通过交替方向乘子算法加速目标跟踪。在主流无人机数据集上的实验表明:本文方法与流行的相关滤波方法相比,可获得更高的跟踪精度。（2）针对手工特征表现力不足和深度特征数据冗余问题,提出了一种自适应深度特征通道加权目标跟踪方法。首先,在动态时空正则化相关滤波跟踪框架中,融合深度特征,提升算法精度。其次,将自适应通道权重引入于滤波器优化中,去除深度特征数据中无关数据干扰。最后,通过手工特征预测目标尺度以及深度特征判断目标位置的方式,提升跟踪速度。在主流跟踪数据集上的实验表明:本文方法与流行的深度相关滤波方法相比,在复杂跟踪场景中展现出了更强的鲁棒性。