伴随着智能化技术的不断推进,计算机视觉得到了广泛的关注和发展。目标跟踪作为计算机视觉最重要的研究课题之一,在交通、安防、军事以及机器人等领域发挥着重要的作用。然而在实际应用中,存在很多影响跟踪效果的因素,如光照变化、目标尺寸变化、环境噪声等,这些因素使得目标跟踪技术的发展受到极大的挑战。在目标跟踪技术的研究过程中,判别式学习方法取得了显著的成绩,尤其是相关滤波类方法展现出惊人的潜力,成为目前目标跟踪领域最重要的研究方向之一。目前已经出现了许多基于相关滤波的跟踪方法,尽管这类方法与传统方法相比有很大进步,但依然无法很好地应对跟踪场景的复杂性。对于判别式跟踪来说,设计有效的特征和处理模型漂移是跟踪算法的关键问题,特征直接决定了目标外观模型,而模型漂移是判别式方法普遍存在的现象。本文在核相关滤波跟踪算法(KCF)的基础上,从特征融合和更新策略两个角度切入,改善了模型特征,缓解了模型漂移问题。考虑到每一种特征都存在一定的缺陷,单一特征无法很好地应对多种场景变化,本文提出了一种多特征融合的KCF算法。为了弥补KCF算法所采用的方向梯度直方图(HoG)特征对遮挡和尺度变化敏感的弱点,该算法引入了对目标外观变化抵抗力较强的颜色特征。在颜色特征的选取上,本文采用了一种可以容纳50种颜色名的判别式颜色描述符,通过将判别式颜色描述符和HoG进行特征级联,得到了一种表现力更强的组合特征。这种特征融合的方式实现了颜色特征和HoG特征间的信息互补,有效地增强了分类器模型的健壮性。经过观察KCF算法在不同场景下的表现,发现它在低分辨率下跟踪效果较差。通过分析这一现象,再结合低分率视频序列的特点,推论出固定更新率下的核相关滤波算法无法很好地适应目标外观快速变化。本文从历史样本权重的角度出发,根据KCF的更新方式,将历史样本看作是某个特定权重阈值下的固定大小的样本集。基于此结论,本文提出了自适应样本集的方法,通过减少样本集大小,并去除相似样本,从而提升最近样本权重和样本集纯度。另外,采取对每一帧的样本贡献率进行评估的策略,根据响应结果的峰值旁瓣比(PSR)值判定样本权重。这种改进样本集和样本权重分布的方式有效地提升了算法对目标外观模型变化的抵抗力。本文对提出的改进算法在OTB测试集上进行了评估,同时比较了目前主流的多种跟踪算法,实验结果证实了通过引入多特征融合和自适应样本集,可以使算法更好地适应不同场景,改善了模型漂移问题,有效地提升了算法的跟踪性能。