目标跟踪是计算机视觉领域一个基础、重要的问题。目标跟踪技术的研究,主要致力于提升跟踪的鲁棒性和提升算法的运行速度,不过这两者通常是矛盾的。目标跟踪在很多领域都有广泛应用,包括智能监控、无人机侦查、人机交互、医疗诊断等等。在不同的应用情景下,目标图像特点不同,故对跟踪算法的需求重点也不同。在空对地目标跟踪的应用中,对跟踪算法速度有较高需求,同时对跟踪算法的抗遮挡能力也有较高需求,因为地面的建筑、树木等对目标造成遮挡是空对地目标跟踪中遇到的最为普遍的干扰。近年来,相关滤波跟踪算法发展迅速。不论是在算法鲁棒性还是运算效率上,相关滤波算法都占据了目前较为领先的地位。本文以目前性能最为优异的两个相关滤波跟踪算法,BACF(Learning Background-Aware Correlation Filters)和ECO(Efficient Convolution Operators for Tracking)跟踪算法为基础,研究了将它们用于空地目标跟踪时,如何提升其运算效率和提升抗遮挡能力。首先,提出且实验验证了应用场景下跟踪器训练采样间隔、跟踪器运行速度、视频帧率三者之间的相互约束关系。同时,也验证了适当地增加跟踪器训练采样的间隔,既能提升跟踪器的单帧平均运算速度,还能减少过拟合风险。其次,提出了两种用于提升相关滤波跟踪器抗遮挡能力的算法。分别是基于区域颜色直方图的抗遮挡算法和基于图像分割的抗遮挡算法。两种算法的核心思想一致,均分为两个步骤:第一步,感知遮挡,并评估遮挡等级;第二步,跟踪器根据遮挡评估结果,选择进入两种不同的工作模式,分别是normal模式和lost模式。在无遮挡或轻微遮挡时跟踪器处于normal模式,正常的进行搜索并使用一个与遮挡水平相关的自适应学习率来采样训练。在严重遮挡发生或目标在视野中消失时,跟踪器进入lost模式,采样训练将暂停,并且搜索区域也将扩大,以便于重新捕获目标。这两种算法有效避免了跟踪器在目标被遮挡的情况下继续使用不良样本进行错误学习,从而确保了跟踪器在失去目标后依然保持对目标的识别力。本文在三个标准数据集OTB50、OTB100和VIVID上进行了充分实验,证明了经过本文算法改进后的相关滤波跟踪器,在抗遮挡方面获得了显著的性能提升。