目标跟踪是计算机视觉领域重要的研究方向之一,在学术领域和应用领域都受到广泛的关注。目标跟踪任务的主要目的是给定目标的初始位置,在连续的视频序列中实时跟踪定位目标的具体位置。经过多年的研究和发展,跟踪算法的性能依然会受到旋转、快速运动、遮挡和尺度变化等因素的影响。针对这些问题,本文在相关滤波目标跟踪算法的基础上进行了如下研究:首先,本文使用注意力机制和遮挡检测改进核相关滤波目标跟踪算法。利用卷积神经网络提取卷积特征,并使用该卷积特征训练核相关滤波器,由于卷积特征中包含丰富的语义信息,因此更有利于滤波器对目标和背景进行的区分。将注意力机制引入核相关滤波器中,利用两个样本的互相关矩阵计算注意力权值,并结合注意力权值和核相关滤波器,通过在样本中寻找受尺度变化、噪声和光强变化等因素影响较小的关键特征,并赋予关键特征高权值,从而加强核相关滤波的判断力。使用两个分类器分别检测目标和背景,依据两个分类器的响应值判断是否发生遮挡,然后自适应更新模型。然后,本文提出了基于高斯混合模型的核相关滤波目标跟踪算法。利用卷积神经网络提取卷积特征并建立目标外观的高斯混合模型,弥补核相关滤波器在外观模型上的不足,并使用一种高效的在线更新方法更新高斯混合模型。在初次跟踪之后使用,在目标周围采集不同尺度、不同大小的样本对目标尺度和形状进行精确估计。最后,本文结合孪生网络和可形变卷积神经网络,提出了可形变孪生网络。该网络使用目标样本和搜索区域作为输入,使用卷积神经网络预测可形变卷积的偏移量。然后,使用可形变卷积提取卷积特征。最后在卷积特征上,使用相关滤波器检测目标。将上述三种算法在公开数据集上进行定量和定性分析,实验结果表明本文算法在遮挡、旋转、形变等因素下,本文算法有效提高了算法的鲁棒性和精确性。