随着人工智能热潮的兴起,计算机视觉技术在近些年得到快速的发展,视觉目标跟踪作为计算机视觉领域内的重要组成部分,也受到了大家的广泛关注与深入研究。虽然近些年来研究人员早已提出了很多卓有成效的目标跟踪算法,但在实际应用中目标跟踪仍然存在不少挑战,特别是跟踪过程中的光照变化、变形、遮挡、背景杂乱等因素都对目标跟踪算法的性能有很大的影响。单一特征的局限性导致跟踪算法往往难以应对跟踪过程中的各种干扰。本文在基于当前主流的目标跟踪算法框架的基础上,对算法中的特征融合方式、模型更新以及尺度估计进行改进,并提出了改进后的跟踪算法。本文的主要研究内容与成果如下:1.对现有的两种主流多特征融合算法SAMF与Staple算法进行分析,指出了其融合方式存在的缺陷。通过对响应图可靠性的分析提出了一种采用动态权值进行目标响应融合的方法。采用响应图融合的特征融合方式,结合了HOG、CN与颜色直方图这三种特征以及相关滤波跟踪和颜色概率直方图跟踪这两种跟踪框架,设计了一个三层融合的动态特征融合策略。2.分析了模型更新过程中噪声引入导致模型失效并最终造成跟踪失败的情况,介绍了传统的模型更新方式及其存在的缺陷。利用干扰检测提出了一种模型更新速度的计算方法,实现动态的模型更新。最终将动态的特征融合与模型更新策略结合起来提出了新的跟踪算法DMUCT。通过实验发现,在OTB2013标准数据集下DMUCT算法相较于Staple和SAMF,精度分别提升了4.8%与5.2%,成功率分别提升了6%与3.5%。特别对背景杂乱、遮挡和脱离视野这三种干扰因素下的跟踪情况有很大改善。3.结合DAT算法中的概率图分割,以及SAMF算法中的多尺度响应估计这两种尺度估计算法,采用级联的方式对尺度估计算法进行改进。首先利用概率图分割方式进行第一次尺度估计,然后在第一次尺度估计结果的基础上决定是否利用多尺度响应的方式进行第二次尺度估计。将改进策略应用到DMUCT算法中得到新得新的算法DMUCT-S,通过实验发现改进后的尺度估计算法对目标跟踪过程中目标尺度的估计精度有明显提高,且对目标跟踪算法的整体的性能表现也有一定提升。同时利用该方法对其他目标跟踪算法进行改进后,对比跟踪结果发现该方法对其他跟踪算法的尺度估计效果也有明显的提升。