目标跟踪是计算机视觉研究中的一个重要课题,近年来已经在军事和民用等领域得到了应用。尽管已经取得了巨大的进步,可靠的目标跟踪方法仍然需要处理目标形变、尺度变化、遮挡等多种挑战性因素。本文设计了一种鲁棒的基于相关滤波的判别式在线跟踪方法,其突出优势是能够自适应目标的外观变化。针对复杂多变的实际跟踪场景,提出一种基于多通道优选的相关滤波器MSCF,其通过学习目标的短时动态外观特征构建基于PCA-HOG的全局表观模型;目标的长时间稳定特征采用ORB关键点进行描述,同时维护一个特征点集,用于跟踪丢失后重新捕获目标;为了联合上述两种外观特征的相似度评估得分,提出一种置信度融合框架得到目标样本的最终输出置信图;当目标被部分遮挡时,一种局部关键点投票机制被用于估计目标的位置;另外,本文提出一种基于结构化一致性约束的目标状态估计方法计算目标的尺度因子和旋转角度,便于进一步分析运动目标更高层次的语义信息;为了减少不适当的学习导致的误差累积,采用一种自适应的学习速率独立地更新MSCF各个通道的滤波模板,提高跟踪过程的稳定性和可持续性。在OTB-100标准测试数据集上的大量定性和定量实验评估结果表明,本文所提出的跟踪算法的性能优于目前许多优秀的算法。