计算机视觉跟踪是计算机视觉和图像处理领域的一个重要的方向,在智能视频监控、智能交通系统、现代军事和医疗等领域有着广泛的应用前景。计算机视觉跟踪本质是在一组给定初始位置的视频序列里鲁棒的估计被跟踪目标的运动状态,包括运动的位置和尺度变化,进而对被跟踪目标的运动姿态进行识别以及对该目标运动趋势的预测和其异常行为的检测。基于相关滤波器的视觉跟踪算法借助于循环样本和核技巧的优势使得跟踪算法复杂度降低,跟踪速度加快,其高速鲁棒的性能吸引了计算机视觉跟踪领域研究人员的广泛关注。近年来,基于卷积神经网络和相关滤波器结合的算法已成为当下的研究热点,尽管利用卷积神经网络提取特征或建立端到端的网络进行跟踪均取得了显著成效,然而运动场景的复杂多变使得视觉目标跟踪仍旧面临诸如尺度变化,严重遮挡,丢失视野等问题。针对上述问题,本文对基于传统相关滤波和分层卷积特征的目标跟踪算法进行提升改进。针对目标在跟踪过程中遇到尺度变化,严重遮挡和出视野等挑战,本文基于传统核相关滤波器提出了一种融合自适应相关滤波器、Kalman滤波器和SVM(Support Vector Machine)重检测器的长期视觉跟踪算法,并应用自适应模型更新策略防止目标模型更新错误目标。实验结果表明,本文提出的跟踪器在跟踪长期视频目标过程中表现优异,在OTB2013基准数据集基于遮挡和出视野属性的视频序列中,本文算法的跟踪准确率和成功率相对于传统的核相关滤波跟踪器有了较好的提升。针对目标在跟踪过程中遇到尺度变化、模型漂移等问题,本文基于相关滤波器和深度卷积网络提出了一种融合相关滤波器和分层卷积特征的快速尺度相关跟踪算法,利用分层卷积特征加权输出响应图定位目标位置,增加尺度相关滤波器用于尺度检测,并利用PCA(Principal Component Analysis)降低尺度样本的特征维度,以平衡跟踪算法尺度检测和跟踪速度的关系,并通过自适应模型更新策略防止目标模型发生漂移。实验结果表明,本文提出的跟踪器在具有尺度变化和遮挡属性的视频序列中表现优异,在OTB2013基准数据集中,跟踪速度保持实时的前提下,跟踪成功率相对于不含尺度检测模块的分层卷积特征跟踪器有了一定程度的提升。