相关滤波器在普通视频目标跟踪以及无人机跟踪方面都表现出了良好的性能,许多基于判别相关滤波器（Discriminative Correlation Filter,DCF）的方法在视频目标跟踪方面成功地利用构建模型缓解了边界效应和时间滤波退化问题。这些方法主要依赖于各种显式的先验正则化项,用一个结构框架来控制目标函数更新损失的退化,但往往忽略了数据保真项的损失,并且这些方法往往也会受到边界效应以及背景噪声引起的畸变问题的限制,这种限制在无人机跟踪方面更为明显。针对以上问题,我们提出了一个结合时空正则化相关滤波器的双边加权回归排序模型。这里,我们采用两种方法来解决上述问题。首先,在数据保真项中引入了双边约束,以控制滤波器数据保真项的行和列损失。加权矩阵可以在学习过程中对数据丢失进行自适应惩罚,以避免跟踪偏移问题和模型退化问题。其次,在每次迭代中,更新后的加权矩阵通过排序和数值变换得到一个新的加权矩阵来更新滤波器。在无人机跟踪方面,我们通过引入Kullback-Leibler散度,提出了畸变Kullback-Leibler散度相关滤波器模型,改善了原模型里的欧几里得距离,减少了滤波器中噪声造成的失真导致的跟踪偏移。同时引入Jensen-Shannon散度代替Kullback-Leibler散度,从而研究测量方法对跟踪效果和模型性能的影响。此外,结合双边约束的方法,我们提出了双域Jensen-Shannon散度相关滤波器模型。迭代求解时,将以上模型近似为线性等式约束问题,并用乘子交替方向法（Alternating Directions Method of Multipliers,ADMM）迭代求解。通过在一些应用较为广泛的视频目标跟踪数据集上的大量实验进行定性和定量评价,证明了我们提出的方法的有效性和优越性。