运动目标跟踪是计算机视觉中的重要研究方向,广泛应用于军事、医疗、交通等领域。随着计算机软硬件的发展和图像处理理论的不断完善,近年来目标跟踪领域逐渐受到专家学者的重视,目标跟踪技术获得了长足的发展。运动目标跟踪算法中的困难主要来源于目标自身变化以及背景变化等。因此提高跟踪算法在复杂场景下的性能是当下研究中的重点。自相关滤波应用于目标跟踪领域,由于有着速度快、鲁棒性好等优点,相关滤波类算法在目标跟踪领域占据了主导地位。其核心思想是利用目标提取的特征训练相关滤波器,并使用相关滤波器在接下来的视频序列中预测目标位置。由于使用了傅里叶变换将复杂卷积运算转化为矩阵元素之间的乘法运算,相关滤波跟踪算法能够大大提高跟踪速度。但是相关滤波跟踪算法在复杂情形下的精度依然有限,其主要原因是传统手工特征对目标的表达有限,以及不合理的模型更新方式。最近,卷积神经网络最近在诸多领域表现出了优异的性能,也为相关滤波跟踪算法提供了新的思路。基于卷积神经网络提取的卷积特征相比传统手工特征能够提供更多目标信息,尤其是语义信息,因此能够提高相关滤波跟踪算法在复杂情形下的跟踪成功率。本文进行的工作包括如下几方面:(1)研究了目标跟踪算法理论,深入研究了相关滤波算法,对相关滤波算法理论基础和算法流程进行介绍,分析其优点和不足。(2)基于传统手工特征的相关滤波算法有着速度快的优点,然而手工特征对目标表达能力有限,尤其缺乏语义信息,在复杂场景下容易导致算法跟踪错误。因此本文引入多层卷积特征,同时引入目标的空间和语义信息,设计一种融合多层卷积特征的相关滤波目标跟踪算法,并在公开数据集上进行测试以验证其性能。(3)模型更新是相关滤波运动目标跟踪算法适应目标外观变化的重要环节。传统方法按固定学习率在每一帧进行线性插值更新,在遮挡、快速运动等情况下鲁棒性不足。本文依据目标响应的平均峰值相关能量、帧差均值以及目标位移作为判断依据自适应更新滤波器模型,提高在复杂情景下的跟踪精度。本文算法有效提高了相关滤波在遮挡、形变、光照等复杂情况下的准确性,克服了传统手工特征的不足以及模型更新的缺陷。本文算法在公开测试集中进行实验,实验结果验证了本算法的复杂场景下的跟踪性能。