目标跟踪是计算机视觉领域的重要研究内容,在智能机器人、智能交通和视频监控等领域具有广泛的应用。相关滤波目标跟踪算法因其出色的准确率和速度优势,成为近年来跟踪算法中的里程碑。在实际场景中,目标尺度的改变、其他物体对目标的遮挡等都会对目标跟踪的准确率产生较大的影响。本文针对跟踪过程中目标尺度变化和目标被遮挡导致跟踪准确率低的问题,在经典的核相关滤波目标跟踪算法（Kernelized Correlation Filters,KCF）的基础上,提出了尺度自适应的抗遮挡目标跟踪算法,该算法在目标尺度发生变化以及目标被遮挡时,能够有效地提高跟踪的准确率。主要研究工作和成果如下:（1）针对复杂背景下目标尺度改变导致跟踪准确率低的问题,提出了一种基于深度估计和特征融合的尺度自适应目标跟踪算法。该算法使用深度估计网络得到目标的深度,结合目标的尺度值建立深度-尺度估计模型;在跟踪过程中,利用深度估计网络得到目标的深度值,再根据深度-尺度估计模型得到目标的尺度值,从而实现尺度自适应的目标跟踪。另外,利用方向梯度直方图特征（Histogram of Oriented Gradient,HOG）和颜色特征（Color Name,CN）共同建立目标的外观模型,提高模型的鲁棒性。使用本文算法与多个经典算法在公开数据集OTB-100中目标尺度发生变化的五个视频序列和自建的一个视频序列上进行实验,实验结果表明:与KCF算法、使用HOG特征和CN特征的KCF算法（Kernelized Correlation Filters with CN,KCF-CN）算法、判别型尺度空间跟踪（Discriminative Scale Space Tracking,DSST）算法相比,在精度指标上的平均值分别提高了21.86%、18.59%、6.21%,和判别型空间正则化相关滤波算法（Spatially Regularized Discriminative Correlation Filters,SRDCF）算法、集成边界和中心的相关滤波算法（Integrate 1D Boundary and 2D Center CFs,IBCCF）相比,在速度上提高了 0.904f/s、8.836f/s。（2）针对复杂背景下目标被遮挡导致跟踪准确率低的问题,提出了一种基于深度估计的抗遮挡目标跟踪算法。该算法利用相关滤波模板与候选目标进行相关计算,根据得到的最大响应值判断当前跟踪是否可靠。对不可靠的候选目标进行分块处理,利用各分块深度值的最大差值进行遮挡检测。当目标被部分遮挡时,缩小候选区域的范围,当目标被完全遮挡时,扩大候选区域的范围。并且当目标被遮挡时,不更新滤波模板,从而有效防止滤波模板被污染,避免后续跟踪发生漂移。使用本文算法与对比算法在公开数据集OTB-100中目标发生被遮挡的四个视频序列上进行实验,实验结果表明:与可信赖的分块跟踪器（Reliable Patch Trackers,RPT）算法、KCF 算法、长时跟踪（Long-term correlation tracking,LCT）算法相比,在精度指标上的平均值分别提高了 28.85%、19.925%、18.15%。