近年来,视觉目标跟踪作为计算机视觉领域的研究热点,取得了越来越多的研究成果。已成功运用于视频监控中,并在智慧城市、交通管制、治安监控、安全检查等各方面得到实际应用。联合深度特征的滤波跟踪方法在视觉追踪中展现优异的性能,极大程度上推动目标追踪的研究发展。现有的诸多跟踪方法,仅简单利用目标的深度特征,分开处理目标深层语义信息特征,没有探索深度特征的关联性,限制了深度特征强大的表征能力,导致跟踪算法的鲁棒性不高。本文针对上述问题,开展了如下工作:（1）提出基于多任务深度耦合相关滤波器（MDDCF）跟踪方法。充分利用深度网络的多层次特征,将具有个体特征的目标表示作为单个任务,更好地探索不同深层特征之间的关联性。重新推导并提出目标函数的交替优化方法,联合训练相关滤波器和网络参数。使用一种有效的模型更新方案,有效地捕获目标外观变化。在多个基准数据集上的实验表明本方法能够有效应对目标遮挡、快速运动等属性。（2）提出联合目标检测的多任务卷积算子（MCOT）视觉跟踪方法。利用多任务学习技术探索连续深度特征之间的相关性,以优化卷积滤波器。使用一种结合加权滤波器的跟踪模型更新策略,将加权的滤波器集成到跟踪模型中,减少复杂参数更新次数,提升跟踪速度。在跟踪框架中引入目标检测网络应对目标丢失,提高跟踪方法的鲁棒性。在跟踪数据集上的实验表明本方法在目标长时间丢失、快速运动等属性上具有较好的性能。