视觉目标跟踪技术是当前计算机视觉领域中的一个研究热点,随着智能船的发展,视觉舰船目标跟踪技术被认为是智能船视觉感知的基本任务之一,根据海上监视视频进行船舶跟踪可提供各种海上运动信息,这将大大有利于远程海上交通管理和异地执法等。本文先对长期相关性跟踪（LCT）算法进行尺度估计和特征提取方面的改进,然后将改进后的算法应用在舰船目标跟踪场景下,依据舰船场景的特点对算法做进一步改进,使跟踪算法在舰船场景下获得更好的跟踪效果。本文的主要工作如下:（1）针对LCT算法在目标尺度变化过大和快速运动情况下跟踪性能不佳的问题,提出了改进的基于尺度自适应的长期相关性跟踪（LCSA）算法,通过引入尺度池来实现对目标尺度的自适应估计,并对不同深度尺度池下的算法性能进行探究。最后,通过仿真对比实验,表明改进后的LCSA算法较LCT算法的整体成功率和精确度均有了提高,且在目标尺度变化过大和快速运动的情况下表现更好。（2）针对方向梯度直方图（HOG）特征很难应对目标遮挡的问题,提出了改进的基于卷积特征的长期相关性（LCDT）跟踪算法,使用卷积特征来代替HOG特征,首先对VGG-19网络模型中不同卷积层提取出的特征进行可视化,发现浅层卷积特征包含更多的空间信息,深层卷积特征中会含有更多的语义信息,故将深层特征和浅层特征进行线性加权融合,最后通过对比实验,表明改进后的LCDT算法较LCT算法的整体成功率和精确度有了显著提升,且LCDT算法在完全遮挡情况下的跟踪成功率较LCT算法提高了25.1%,精确度提高了18.9%。（3）由于目前国内外还没有公开的用于舰船跟踪的数据集,首先制作了舰船视频数据集Ship50并给出评价指标。在舰船场景下,因待跟踪的目标表观变化较小,连续每帧均对模型进行更新可能会丢失过去的表观信息,引入更多的噪音,故采用每六帧对模型更新一次的策略对LCSA和LCDT算法进行改进。最后通过Ship50上的实验验证,经过模型更新策略改进后LCSA和LCDT算法的整体成功率和精确度均高于LCT算法。