视觉目标跟踪作为人工智能中计算机视觉研究方向的一个热点及难点,被广泛地应用在军事国防、交通运输、医疗诊断和民用安全等各个不同的领域。其目的是仅在标定目标初始状态情况下,预测后续视频图像中目标的位置和尺度信息。现实跟踪场景中存在的遮挡、快速运动、剧烈形变、旋转和背景杂乱等挑战因素会导致目标外观改变,并且由于训练样本匮乏,致使设计一种高精确率、强鲁棒性的视觉目标跟踪算法仍然是一个极具挑战的开放性课题。2013年以来,基于信号处理理论中相关概念提出的相关滤波跟踪算法成功的吸引了国内外科研工作者的注意。该方法运用傅里叶变换将时域复杂的卷积运算转换为频域简单的点乘运算,既保证了较高的跟踪精确度又保持了极快的跟踪速度,成为近些年来视觉跟踪领域热门的研究方向。尽管相关滤波跟踪算法在各种数据集中取得了不错的跟踪成绩,相比传统跟踪算法有显著的性能改进,但在复杂跟踪场景中,由于其外观模型表达准确度下降,抗干扰能力减弱,致使跟踪表现不佳。为此,本文将多线索融合策略引入相关滤波跟踪框架,分别从特征级多线索融合和决策级多线索融合视角展开深入研究,利用与相关滤波模型互补的多种跟踪线索（包括:卷积神经网络（Convolutional Neural Network,CNN）特征、颜色直方图和多尺度滤波模板）来增强外观模型的准确性和抗干扰性,提升算法辨别目标和背景的能力。本文主要的研究工作和创新如下:（1）从特征级多线索融合思路出发,将相关滤波与CNN特征相结合,提出了一种基于相关滤波的自适应加权CNN特征融合目标跟踪算法。由于手工特征（如:HOG和CN颜色特征）的表达能力不足以捕获目标外观的本质不变性信息,限制了传统相关滤波跟踪算法的性能表现。利用深度卷积CNN特征丰富的细节和语义表达能力,分别构造出基于底层、中层和高层CNN特征的相关滤波器。以CNN特征的跟踪能力及跟踪运动一致性两方面为约束,对相关响应图进行自适应加权融合,提高算法的精确率和鲁棒性。并且针对传统相关滤波算法无目标尺度估计的缺陷,添加一个独立的一维尺度相关滤波器来完成目标的尺度估计。在50个具有挑战性视频序列上进行实验,相比于KCF算法,距离精确率提升了19.4%,重叠成功率提升了21.0%。（2）从特征级多线索融合思路出发,将相关滤波与颜色直方图特征相结合,提出了一种基于相关滤波和颜色直方图的局部结构响应融合目标跟踪算法。当部分遮挡或剧烈形变时,整体跟踪由于只描述目标的全局信息,无法进行有效的跟踪,而分块跟踪聚焦于目标的局部信息,未遮挡部分仍可以提供可靠的跟踪线索。并且单一目标外观模型和简单的线性结合局部分块响应在面对多种复杂挑战场景时有其局限性。为此,先分别提出基于相关滤波和基于颜色直方图的局部成分跟踪算法,以每个分块的跟踪损失为依据,分别自适应融合两种成分算法中分块的响应。然后依据响应置信度选择性的组合成分跟踪响应生成最终响应图。此外,当跟踪失败时,执行在线SVM重检测机制,恢复对目标的准确定位。在OTB2015数据集上进行实验,相比于Staple算法,距离精确率提升了5.2%,重叠成功率提升了5.0%。（3）从决策级多线索融合思路出发,将不同空间尺寸的多尺度相关滤波模型相结合,提出了一种基于相关滤波的串级融合目标跟踪算法。不同空间尺寸的相关滤波器,在面对不同挑战因素时,跟踪表现会有很大的差异。并且借鉴检测任务中串级结构逐级精确化结果的优点,将多个不同尺寸模板的相关滤波器串级依次连接,以各级滤波器的置信度分数为依据,自适应融合各级预测结果。在OTB2015数据集上进行实验,相比于KCF算法,距离精确率提升了11.0%,重叠成功率提升了19.6%。（4）从决策级多线索融合思路出发,将相关滤波与颜色模型相结合,提出了一种基于相关滤波和颜色模型的串联-并联协同目标跟踪算法。针对单一跟踪模型普适性较差,以及完全合理的自适应权重算法难于设计。构建了基于串联相关滤波跟踪成分和并联颜色模型跟踪成分的框架,以弥补模型之间的缺陷,提高跟踪的稳定性。并且在串联跟踪成分中,提出两种不同尺度模板的改进型相关滤波算法,将它们串级组合由粗到精逐级定位。最后以串联-并联框架中各跟踪成分的鲁棒性得分为依据,选出最可靠的跟踪结果。在OTB2015数据集上进行实验,相比于MCCT-H算法,距离精确率提升了0.7%,重叠成功率提升了1.9%。