随着当今社会人工智能及计算机等科学技术的迅猛发展,各类视觉相关应用越来越广泛如:智能交通、人机交互、智能视频监控以及军事技术方面等等。而目标跟踪技术作为这些计算机视觉应用领域的中层基础,也逐步被熟知。目标跟踪是通过对视频初始帧中框选出的目标进行建模,来估计后续图像帧中目标的位置以及目标的形状大小,获取的跟踪的结果可以为后续进一步分析目标的运动行为奠定基础。目标跟踪技术在视觉应用上的基础性和挑战性使得它在视觉应用上深受关注,基础性指的是很多高层任务的实现离不开目标跟踪技术;而挑战性是指虽然近年来国内外学者对于目标跟踪技术的研究做出了很大的贡献,但由于目标跟踪过程中,目标本身具有多变性(包括目标姿态变化和目标的大小变化等)。同时,目标跟踪的实际环境也非常复杂(包括目标被遮挡,环境的亮度变化等)。这些情况导致已有目标跟踪算法仍然存在局限。为提高目标跟踪在复杂环境中的跟踪精度,本文对相关滤波器算法和相关滤波孪生网络算法两个方面进行学习和研究,并进行了改进,本文主要工作内容如下:针对目标跟踪算法中存在的目标被遮挡、目标快速运动以及平面内旋转等问题,本文提出了用基于光流法的失败判别机制改善跟踪效果的新思路;其次,本文在判别机制给出跟踪失败结果时,采用基于分块思想的滤波器模板更新的策略,来修正目标模板信息以提高跟踪精度。通过实验证明,该基于相关滤波的改进算法在目标被遮挡、目标快速运动以及平面内旋转三种复杂跟踪情况下相比于其他几个主流的相关滤波器算法,能够更鲁棒的实现目标跟踪;同时在OTB100整个数据集上跟踪效果也有所改进。除此以外,针对目标跟踪过程中目标被遮挡、目标快速运动以及目标形变导致目标跟踪困难以及孪生网络模板支路不更新的问题,本文提出了基于面积交并比(Interse ction over Union,IOU)的相关滤波孪生网络目标跟踪算法。该算法首先提出一种基于IOU的在线学习方法,能够在跟踪过程中通过计算当前帧预测结果与前一帧跟踪结果之间的IOU值来判断跟踪过程中的目标是否漂移或者丢失;其次,在IOU在线学习的基础上,对模板支路采取自适应加权更新策略,解决了孪生网络模板不更新而导致在目标形变等情况下跟踪效果较差的问题。通过实验证明,该算法在面对目标被遮挡、目标快速运动以及目标形变情况时相比于其他五个对比算法,能够更为鲁棒的实现目标跟踪。而且在OTB100和OTB50两个经典数据集上整体跟踪性能均有所提升。