视觉跟踪在工业界和日常生活中有广泛的应用前景,因此受到了学界重视。由于在实际应用中,视觉跟踪会受到很多干扰因素影响,为此需要设计稳定性和鲁棒性更强的算法来应对复杂的跟踪环境。本文基于粒子滤波和相关滤波算法做了以下研究:（1）针对粒子滤波重采样的粒子贫乏问题,引入一种基于遗传算法思想的优化方法,并在该方法的基础上设计了一种在发生遮挡时扩大粒子分布以增大搜索空间,遮挡结束并重检测成功后又将粒子集聚拢于目标周围的抗遮挡方法。另外,本文还提出一种自适应跟踪模板更新方案,有助于算法更好地适应目标的变化。实验证明,本文的粒子滤波算法具有很好的抗遮挡性能,并且跟踪稳定性也很好。（2）针对很多相关滤波算法中正则化系数不能自动调节的问题,提出一种自适应时空正则化相关滤波器（ASTRCF）,利用响应图的波动反馈调节相关滤波器的时间和空间正则化系数,使得滤波器能够随着跟踪置信度的变化自动做出调整,从而抑制模型的过拟合。最后在OTB2015和DTB70数据集上的对比实验验证了本文的算法可以有效提升相关滤波器应对复杂环境的能力。（3）为了进一步提高相关滤波算法应对长时间完全遮挡的能力,提出一种基于随机粒子重检测的长时跟踪算法Re＿ASTRCF。首先分析了不同干扰因素下滤波器响应图APCE参数变化的异同,提出一个针对长时间完全遮挡的判断指标;之后将第三章中扩大粒子分布范围来增大搜索区域的思路引入相关滤波中,提出一种利用随机粒子采样来进行重检测的方法,这种方法可以有效增加重检测器的效率。最后在OTB2015上的实验表明,本文的方法可以有效提升相关滤波解决遮挡问题的能力,并提高跟踪器的整体性能,另外,定性分析的结果证明本文的重检测算法具有良好的检测效率。