视觉目标跟踪技术是计算机领域中的重要研究分支之一,其已经被广泛应用到无人机、自动驾驶、智能交通和医疗诊断等诸多领域。最近几年,以相关滤波算法为基础提出大量优秀的视觉目标跟踪算法,但是在实际跟踪环境中目标跟踪算法仍面临诸多挑战,如尺度变化、旋转和遮挡等,如何解决复杂场景下的鲁棒目标跟踪问题仍是一个难点。本文针对核(化)相关滤波跟踪算法(KCF)在目标尺度变化、遮挡、快速运动、旋转和背景嘈杂等情况下容易跟踪失败的问题,提出基于鲁棒模板匹配的相关滤波跟踪算法,本文的主要研究内容和结果如下:(1)针对KCF跟踪算法在目标尺度变化、遮挡和快速运动情况下容易跟踪失败问题,提出利用最佳伙伴相似性的核相关滤波跟踪算法。首先,分别设计目标位置估计模块和尺度估计模块,在位置估计模块中利用目标周围的背景信息和目标信息训练分类器,使用多种特征构建目标外观模型,提高算法的跟踪精度;在尺度估计模块中,仅利用目标信息训练分类器,通过尺度分类器获取目标最佳尺度;然后,根据目标响应峰旁比(PSR)和目标外观模型置信度判别跟踪目标是否发生遮挡,在目标发生遮挡时利用最佳伙伴相似性匹配算法进行目标重检测,解决目标重定位问题;最后,利用自适应模板更新策略,解决遮挡情况下的目标模板漂移问题。(2)针对KCF跟踪算法中存在的边界效应,提出利用形变多样相似性的空间正则化相关滤波跟踪。首先,在KCF算法基础上引入空间正则化权重,依据训练样本空间位置信息设置正则化权重,弱化边界效应与背景干扰的影响;然后,利用高斯-赛德尔迭代优化方法求解最优分类器参数,将岭回归内的复数优化问题转换为实数优化问题,降低算法计算复杂度;同时,利用形变多样相似性匹配算法构建目标重检测模块,通过TreeCANN算法解决模板匹配中的最近邻搜索问题;最后,利用三角多项式插值法实现时域内的连续检测,通过牛尔顿迭代法获取目标最大响应位置,实现像素级别检测。(3)利用OTB-100数据集中的100个视频序列与评价标准测试算法性能,分别对算法进行定性与定量分析,测试本文算法与其它流行算法在11种视频属性下的性能表现。实验结果表明,利用最佳伙伴性的相关滤波跟踪算法精确度得分0.775,成功率得分为0.570,相比KCF算法分别提升11.4%和19.5%。利用形变多样相似性的空间正则化相关滤波跟踪算法精确度得分为0.825,成功率得分为0.625,相比KCF算法分别提升18.5%和31.0%。与KCF算法相比,本文提出的两种改进算法能更好的解决目标尺度变化、遮挡、快速运动、旋转和背景嘈杂情况下的跟踪问题,具有广泛的应用前景和实用价值。