目标跟踪是模式识别和计算机视觉中的重要研究课题之一,在视频监控、无人驾驶和人机交互等方向有着广泛的应用前景。其技术层面上涉及机器学习、深度学习和计算机图像处理等范畴,具有深刻的研究意义。历经数十年的研究与发展,大量优秀算法相继提出,极大程度地提升了跟踪结果的精确度和鲁棒性,但在实际应用中,由于目标本身和背景在跟踪过程中往往是不断变化的,目标遮挡、快速运动、光照变化等因素均会对跟踪结果造成影响,因此,目标跟踪领域仍然存在诸多有价值的研究方向。为了进一步提升目标跟踪算法的精确度和鲁棒性,本文以鉴别性相关滤波算法（Discriminative Correlation Filter,DCF）为基础,分别从跟踪框架的设计以及目标的特征选择等角度展开深入分析和研究。本文的具体研究工作和创新点如下:（1）提出一种基于深度特征和二值矩阵掩膜的相关滤波跟踪算法（Deep Features with Binary Matrix Mask Based Correlation Filter Tracking Algorithm,MDCF）。在经典算法DCF的基础上,利用学习得到的二值矩阵作为局部约束掩膜,对模板信息进行裁剪,使滤波器的能量只集中于目标区域,对循环样本带来的边界效应进行有效抑制,从而提升跟踪结果的精确度和鲁棒性。此外,算法采用表达能力更强的ResNet50深度特征替代经典算法中的方向梯度直方图特征（Histogram of Oriented Gradient,HOG）和颜色名称特征（Color Names,CN）,采用深度特征时,将训练样本通过水平翻折、旋转和平移三种方式实现样本扩充,增加了目标模板的表达能力,进一步提升了算法的跟踪精度和鲁棒性。（2）提出一种基于时序一致和空间剪裁的多特征相关滤波跟踪算法（Tracking Algorithm via Temporal Consistency and Spatial Pruning Based Correlation Filter with Multiple features,TCSP）。在MDCF算法的基础上,利用₂范数作为时序一致模型对相邻帧的滤波器模板进行约束,使当前帧目标模板信息与历史帧信息尽可能保持一致,缓解算法因训练样本污染导致的滤波器退化问题,增强算法的抗干扰能力。算法采用固定迭代次数的增广拉格朗日乘子法（Augmented Lagrange Method,ALM）进行优化,与传统方法获取的滤波器相比,该方法得到的滤波器模板呈现出低秩性。此外,算法采用结构化颜色直方图特征作为独立模板计算目标响应,增加跟踪结果的可靠性。在标准测试数据集上的实验结果也表明了该方法在处理部分遮挡、光照变化和背景杂乱等情况具有较好的效果。（3）目标特征类型的选择一定程度上影响着算法的跟踪结果,为了进一步提升跟踪结果的精确度和鲁棒性,在第四章提出的TCSP算法框架下,利用数据集测试和比较了6种传统特征和4种深度特征对跟踪结果的影响,进一步提升了算法的跟踪精度。