目标跟踪技术的研究不仅能够促进计算机视觉等理论的发展,而且还广泛地应用于生活中,具有重要的应用价值。由于在跟踪过程中会遇到各种复杂的挑战因素,这就需要提高算法的鲁棒性。本文针对主流的目标跟踪方法进行研究,考虑到深度学习已经成功地应用于图像处理领域,将深度学习的方法与相关滤波的框架进行相结合。首先针对单一特征不能较好地对目标外观进行建模的问题,可以采用特征融合和深度学习中卷积网络模型的方式进行改进。其中使用深度学习的方式可以得到含有空间信息和语义信息的特征,再用特征去训练相关滤波器,将滤波器的结果进行加权融合,寻找响应最大值的位置。其次,由于该框架使用固定大小的搜索窗口,在跟踪过程中,目标与摄像头的相对移动会引起尺度变化。因此,本文引入尺度估计的方法。通过对多种尺度的候选样本进行学习,可以实现尺度自适应跟踪。最后,为了提高跟踪精度,将检测得到的置信度进行阈值比较。如果大于阈值,就作为目标所在的位置,这样做有利于提高正负样本的准确性。本文在大量视频序列上对改进算法进行测试。同时,本文还设计一个实时跟踪界面,采用摄像头实时拍摄对目标进行跟踪,并在不同情况下做了实验分析,使其可以真正的应用于实际。测试结果表明,在遮挡、快速运动和光照情况下,跟踪器有良好的性能表现。