目标跟踪是计算机视觉领域的基本任务之一。虽然经过几十年的研究,在跟踪精度和鲁棒性方面已经取得了很大的进展,但由于许多不确定因素,如外观变化、遮挡、背景杂乱等,目标跟踪仍然是一个具有挑战性的问题。为了实现更高精度的跟踪,本文在传统相关滤波跟踪框架的基础上,通过结合现有的跟踪算法,做了以下一些工作:为了解决目标跟踪算法在面对遮挡、旋转等复杂场景下跟踪失败的问题,提出一种基于检测器与定位器融合的自适应校正跟踪算法。在跟踪过程中,分别提出了三种方式来检测当前帧是否跟踪失败,经过在OTB2013数据集上的大量比较分析,发现使用当前帧的PSR值和响应最大值分别与历史均值的比较作为算法因遮挡等因素导致跟踪失败的判断条件,而不仅仅依靠一个单一指标的判断,算法性能最好。同时,定位器通过提取VGG16的第五段深度特征对目标进行由粗到细的位置估计,进一步提高了算法精度。实验结果表明,提出的基于检测器与定位器融合的自适应校正跟踪算法在OTB数据集的精度和成功率方面都取得了预期的效果。为了充分利用不同特征的优势,并缓解长期跟踪中因逐帧更新造成的原始噪声的积累,进一步提高算法的精度与成功率,提出一种基于多层次卷积特征融合与高置信度更新的跟踪算法。在定位阶段,经过综合分析VGG19的每一层卷积特征后,发现高层特征拥有大量的语义信息,底层特征空间分辨率较高,包含了大量的纹理信息,于是通过提取由浅入深的五层卷积特征对目标进行由粗到细的位置估计,进一步提高了算法的精度。在控制模型更新方面,为了抑制模型的干扰与失真,当检测器具有高置信度时才进行更新。同时在自适应校正策略上,为了更进一步的判断当前帧是否跟踪失败,尝试结合APCE进行当前帧跟踪失败的判断,发现效果较好。实验结果表明,提出的基于多层次卷积特征融合与高置信度更新的跟踪算法的精度和成功率均表现优异。