运动目标跟踪一直以来是广受学者研究与讨论的热点问题。近年来,基于相关滤波的运动目标跟踪方法已显示出优异的跟踪性能,但是仍然面临若干挑战性的问题,其中比较突出的问题表现在光照变化、目标形变、遮挡及复杂场景这几个方面,这些问题会导致跟踪失败,很难实现运动目标跟踪过程中的鲁棒性和准确性。针对运动目标跟踪算法在复杂场景下所遇到的问题,本文在相关滤波基础上进行改进,形成一种多策略融合运动目标跟踪算法。本文算法主要从两个方面分别对CSK(Circulant Structure Kernel,CSK)算法及CN(Color Name,CN)算法进行改进优化,具体所做工作从以下几个方面展开:(1)首先对相关滤波算法的现状与意义进行介绍;接着对相关滤波的跟踪过程进行详细阐述,主要包括特征提取、训练滤波器、目标检测与滤波器更新。针对其中存在的问题,进行详细说明。(2)对于算法性能及目标尺度变化这方面问题。由于原始CSK算法和CN算法不能很好地对序列颜色空间和目标尺度进行判断,从而导致跟踪性能下降,本文使用将两种原始算法进行整合的策略,使其成为一种更加完备的算法,在面对不同颜色空间的视频序列时,可以自适应选择最优的跟踪方式进行跟踪;针对上述两种算法不能适应目标尺度变化的问题,本文通过引入DSST(Discriminative Scale Space Tracker,DSST)算法中尺度滤波器的策略,设计一种颜色空间及尺度变化的目标跟踪算法,来保证本文算法能够自适应目标尺度的变化,使得跟踪更具鲁棒性。(3)对于目标产生部分遮挡这方面问题。由于颜色空间及尺度变化的目标跟踪算法并没有解决目标遮挡的机制,使得目标在被部分遮挡时,导致跟踪失败。对此,本文通过引入峰值旁瓣比(Peak to Sidelobe Ratio,PSR)值的策略来控制目标模板的更新,且目标模板更新的学习率采用自适应的策略,设计一种引入峰值旁瓣比及学习率自适应的相关滤波跟踪算法,并采用标准测试集对其进行定性与定量分析。实验表明,通过上述多种策略的融合,本文改进的算法在目标发生尺度变化及遮挡等复杂背景时,可以准确的跟踪到目标,跟踪性能优于其他对比算法,具有较好的鲁棒性。