随着计算机视觉和科学技术的不断发展,视频目标跟踪技术已经得到了广泛的普及并且应用到了人们生活的每一个角落。国防监控,社会安全、智慧城市和辅助医疗等领域都离不开目标跟踪技术。近些年来,深度学习的成功以及计算机性能的大幅提升,让深度学习方法广泛应用到了视频目标跟踪任务中,并在一系列数据集上取得了优于传统方法的成绩。因此,基于深度学习的目标跟踪技术获得了国内外学者的高度关注。尽管视频目标跟踪技术取得了可喜的成绩,但是在视频目标跟踪过程中,由于视频场景里存在各种干扰,如:目标快速移动、摄像机抖动、光照变化、目标遮挡等等。这些干扰项都会使跟踪器精度、稳定性、成功率下降。虽然有些跟踪器在有限类甚至一类的跟踪任务上有很高的精度和成功率,如:车辆跟踪、行人跟踪、导弹跟踪等。但这些跟踪器普遍泛化能力不强,难以适用于通用目标跟踪任务,通用目标跟踪的算法仍然有很大的提升空间。很多基于深度学习的跟踪器只考虑了目标的卷积特征,卷积特征的可解释性不强且针对性不足,若能加入其它有效的跟踪特征能更出色的完成跟踪任务。本文以卷积神经网络特征为基础研究通用目标跟踪问题,跟踪过程中通过定向扰动算法和多特征算法进行修正,从而达到提升跟踪器精度、稳定性、成功率的目的。主要研究工作如下:(1)在大多数传统基于深度学习的跟踪器工作中,默认下一帧图片的候选位置是以上一帧结果位置为中心的高斯分布。然而在实际应用的情况下,一旦目标发生快速移动、摄像机偏移、目标丢失等情况,跟踪器则会在距离目标真实位置相对较远的区域产生候选位置,这严重影响了跟踪器的精度、稳定性和成功率。针对这种不足,本文充分利用了卷积神经网络可以定位的特点,改变粒子滤波器的扰动中心,进行定向扰动采样,使得候选样本更加接近真实位置,加速目标找回,防止目标丢失,进而提升跟踪器的精度、成功率和鲁棒性。(2)因为跟踪器对初始化图片非常敏感,在同一个视频图像序列中,给予不同的初始化图片会对追踪器性能有很大影响。为了解决以上问题,本文在提取卷积神经网络特征的基础上,分别提取不同时段跟踪目标和候选图的HOG特征和颜色直方图,通过计算相似度找到最优解。在加入HOG特征和颜色直方图特征后,跟踪器可以适应更多的复杂场景,提升了跟踪器的鲁棒性。本文在通用类基准数据库obt-13上验证了所提算法的有效性并与一些主流跟踪器进行了对比。本文方法亦可扩展至别的跟踪器中。