目标跟踪技术作为计算机视觉领域中的重要研究方向之一,在智能监控、人机交互、医学诊断等众多领域中都具有重要作用。然而在实际跟踪场景中经常存在着光照变化、尺度变化、出视野及遮挡等复杂情况,这为实现快速而鲁棒的跟踪带来了巨大的挑战。近几年,随着相关滤波和深度学习类跟踪算法研究的不断突破,算法的跟踪性能有很大提升,特别是相关滤波,解决了算法的实时性问题。本文针对跟踪中复杂场景带来的挑战,在核相关滤波算法的基础上提出了两种改进方法,分别改善了核相关滤波跟踪算法对遮挡、出视野以及尺度变化等复杂场景的适应性。本文主要研究内容包括以下几点:第一,针对复杂场景下目标被遮挡时容易跟踪失败的问题,提出了一种基于重检测的核相关滤波跟踪算法。该算法训练了一个置信度滤波器,使用其相关响应和相关峰平均能量进行置信度估计,并利用置信度滤波器最大响应进行位置修正,缓解了位置滤波器的跟踪漂移问题;针对在复杂场景下的目标跟踪过程中目标被遮挡或者出视野无法继续跟踪的问题,通过构建以支持向量机为核心的重检测模块,对低置信度的跟踪结果进行目标的重检测,有效地提高了算法在遮挡或出视野场景下的跟踪性能。第二,针对跟踪过程中常面临的尺度变化挑战,提出了一种自适应尺度的核相关滤波跟踪算法。该算法利用原坐标系下的尺度缩放对应于对数极坐标系下的平移这一性质,构建了一个尺度相关滤波器来实现尺度自适应跟踪。第三,在公开数据集上进行了实验对比分析,结果表明:基于重检测的核相关滤波算法在OTB-100数据集上的成功率为0.559,精度为0.764,相比于核相关滤波算法分别提高了8.6%和7.8%,在UAV20L数据集上的成功率和精度相比于核相关滤波算法分别提高了10.6%和14.8%。自适应尺度的核相关滤波算法在OTB-100数据集上的成功率为0.548,精度为0.752,相比于核相关滤波算法分别提高了7.5%和6.6%。本文改进算法在遮挡、出视野以及尺度变化等复杂场景下,依然能够稳定准确地跟踪目标,具有十分重要的理论价值和应用研究价值。