近年来,足球比赛视频智能分析技术发展迅速,已涵盖了视频摘要与检索、行为识别、事件检测、比赛判罚辅助、运动员辅助训练与战术战略分析等多种应用。球员或足球目标跟踪是其中一项关键技术,是高层次语义分析和视频理解的基础。但受目标遮挡、形变、相似干扰、低分辨率、尺度变化、退出视野等困难制约,当前方法对足球比赛目标跟踪的性能还不够理想。本文以单镜头足球比赛视频中单球员目标跟踪技术为研究对象,目的是设计一种能对远镜头中球员目标进行长时稳定跟踪的实用算法。研究工作及成果包括:1、对比了相关滤波与深度学习两类主流目标跟踪方法。考虑到相关滤波类方法复杂性较低且具有速度优势,而深度学习类方法复杂性高且依赖于大型训练数据集和GPU设备,本文从工程实用性角度选择了核相关滤波（Kernelized Correlation Filter,KCF）算法作为基础跟踪框架,然后对算法进行综合改进,以提高算法在各种困难场景下的鲁棒性。2、针对目标特征表征能力不强的问题,提出了利用快速方向梯度直方图（Fast Histogram of Oriented Gradient,FHOG）、颜色名（Color Name,CN）与灰度特征的双通道位置跟踪特征融合方法,在特征层和决策层实现特征融合,增强目标模型鲁棒性。3、针对目标尺度无法自适应变化的问题,引入了尺度滤波器,可在每一帧上实现多达33级的尺度估计,从而实时跟踪目标尺度变化,既提高了跟踪精度,又增强了跟踪器鲁棒性。4、针对跟踪过程缺乏质量判断、跟踪漂移或错误后无法修正的问题,提出了一种跟踪质量评估与目标重检测机制。根据每一帧跟踪质量评估结果,分别启动响应图多峰再检测和目标重检测功能修正目标跟踪结果或重新定位目标,提高跟踪精度、避免目标丢失。5、综合这些功能提出了足球球员目标长时跟踪核相关滤波算法,然后基于足球球员跟踪公开数据集（Benchmark for Soccer Player Tracking,BSPT）对改进算法进行了充分调试和优化。实验表明,改进算法在目标遮挡、形变、旋转、运动模糊、退出视野等各类目标场景中的跟踪效果均得到显著提升,较KCF算法性能提升近50%,同时算法相比深度学习目标跟踪方法也具备竞争力。此外,算法取得了78.1FPS的平均运算速度,完全满足实时要求。