基于相关滤波器的目标跟踪算法是视觉分析领域中最火热的子方向之一,在安防、机器人、自动驾驶、智能交通等多个行业有着可观的前景和实用价值。但是受限于相关滤波器内在的边界效应、高风险的更新策略以及在线训练存在的稳定性-可塑性窘境,单一的相关滤波器在许多情况下都无法满足实际应用的需求。因此,本文重点研究通过多分类器融合的方式来解决相关滤波器的缺陷以实现在多种复杂情况下对目标的准确跟踪。标准的相关滤波器由于使用循环样本训练岭回归分类器产生了内在的边界效应。针对相关滤波器的边界效应,本文利用颜色直方图特征对变形与分辨率不敏感的优点,构建一个基于颜色直方图的贝叶斯分类器以准确跟踪低分辨率、快速变形等场景下的目标,并通过集成学习的方式在相关滤波器的基础上加权集成贝叶斯分类器,通过优势互补的方式缓解边界效应的负面影响。随后着眼于缺乏颜色信息的灰度视频序列,提出了一种基于局部敏感直方图的贝叶斯分类器。最后提出了一种高置信度更新策略以防止贝叶斯分类器与相关滤波器的模型学习腐坏样本而导致漂移。定量和定性的实验证明,本文所提出的解决方法均在不同程度上提升了跟踪算法的性能。现有的相关滤波器与贝叶斯分类器因为在线更新而存在的稳定性-可塑性窘境以及为快速适应目标的变化而使用的高风险更新策略,导致目标遭遇严重遮挡与移出视野等跟踪场景后,跟踪模型将快速漂移。针对在线分类器的高风险更新策略,本文根据在线分类器的响应峰值与其历史均值的关系,通过提升优质样本的权重,降低劣质样本的权重来提高分类器的性能,提出一个随样本质量自适应调整的学习率模型。最后为解决在线更新存在的稳定性-可塑性窘境,本文通过将基础跟踪算法与在线软间隔支持向量机共同组成重检测模块提出了一种辅助重检测方法。经过大量的实验验证,本文所提出的基于多分类器融合的长期目标跟踪算法在目标遭遇快速运动、严重遮挡、移出视野等情况时,均能可靠准确地跟踪目标。