目标跟踪是计算机视觉中的重要研究方向之一,广泛应用于智能监控、人机交互、制导控制等领域。经过几十年的发展,研究人员提出了许多经典、优秀的跟踪算法,但由于实际环境的复杂性与目标的多变性,如光照变化、形变、遮挡等,目标跟踪仍然是一个非常具有挑战性的任务。近年来,精度与速度兼具的相关滤波跟踪算法吸引了研究者的广泛关注,而判别式尺度空间目标跟踪算法DSST是相关滤波算法中的代表算法之一,该算法基于MOSSE算法做了改进和拓展,其通过傅里叶变换降低算法的复杂度,引入三维尺度空间相关滤波器进行位置与尺度联合跟踪,有效提高了跟踪速度和精度。同时,DSST算法代码简洁、性能优越,同时具有较强的可移植性,值得我们在此基础上展开进一步研究。因此,本文基于DSST目标跟踪算法分别从特征提取和自适应模板更新两个方面提出了对应的改进算法,具体内容如下:（1）由于原DSST算法在对图像进行特征提取时仅使用了单一的HOG特征,当目标轮廓特征变化比较平缓时可以较好地区分目标与背景,而当遇到如运动模糊、背景干扰、平面外旋转等更加复杂的挑战时,原特征的目标描述能力则不足以应对。因此我们通过引入LBP特征和CN特征与原有的HOG特征进行融合,同时保留DSST算法原有的使用多维滤波器进行尺度估计的良好跟踪方式,提出了一种基于DSST的多特征融合目标跟踪算法。通过对OTB100公开数据进行对比验证实验,结果表明,所提算法与原算法相比在多种挑战因素下跟踪准确率与成功率均有一定提升,但该算法运算速率较慢,可通过添加分类器等方法进一步实现优化。（2）由于原DSST算法使用了固定的学习率进行模板更新,无法及时适应目标的一系列变化而准确跟踪目标,因此我们提出了一种改进的自适应跟踪算法。该算法通过在模板更新的过程中引入了一种衡量相邻两帧目标运动快慢的变化因子,对其进行卡尔曼滤波处理使其变得更平滑易处理,并施加了一个比例系数作为该帧的位置滤波器学习率,从而达到自适应调整模板更新率的目的。通过对OTB100公开数据集进行对比实验,结果表明,该算法与原算法相比在多种挑战因素下跟踪准确率与成功率均有提升,具有移植到其他优秀相关滤波算法的潜力。