基于相关滤波的跟踪算法以精度高、速度快的跟踪性能得到了广泛的关注,但由于目标所处场景复杂性以及目标本身运动状态的多样性,如何保证跟踪算法的鲁棒性仍是需要深入探讨的问题。本文以核相关滤波算法为基础,针对算法在目标尺度变化、快速运动等复杂情况下缺乏自适应能力的问题,提出了多特征融合及与卷积神经网络结合的方法对核相关滤波算法做出改进,实现了算法在多种挑战属性下的稳定性跟踪。本文主要的研究内容如下:（1）以公开数据集OTB为样本对核相关滤波算法进行了实验分析,以评估算法的性能,分析算法的优缺点,为后续研究及改进奠定了基础。（2）提出了一种多特征融合和尺度估计的核相关滤波算法。首先,在特征提取时,将目标区域的方向梯度直方图特征、颜色名特征和纹理特征进行融合,完成目标定位;然后,对于目标的尺度变化问题,引入尺度滤波器进行尺度估计;最后,滤波器模板更新时,通过比较当前峰值旁瓣比与阈值的大小,决定是否进行模型更新。将本文算法与其它相关滤波算法对目标跟踪的精确度和成功率进行对比分析。实验结果表明,本文算法的精确度和成功率相较于其它相关滤波算法均有了明显的提高,并且能够有效弥补核相关滤波算法在尺度变化、快速运动等情况下跟踪性能差的问题。（3）提出了一种结合卷积神经网络分层特征的核相关滤波算法。首先,利用训练好的VGGNet-19网络提取目标区域的高层和低层特征,分别训练滤波器得到特征响应图,对响应图进行融合得到目标的预测位置。然后,以当前的目标位置和上一帧的尺度情况为依据,进行多尺度采样构建尺度金字塔,估计目标的尺度变化。最后,引入模型更新策略以保证模型更新的准确性。将本文算法与其它几种相关滤波算法对目标跟踪的性能进行了对比,实验结果表明,本文算法的精确度和成功率均有了明显的提升,并有效弥补了核相关滤波算法的跟踪缺陷问题,跟踪效果较好。（4）将多特征融合和尺度估计的核相关滤波算法与结合卷积神经网络分层特征的核相关滤波算法的跟踪性能进行了对比分析,结果表明,前者精确度和成功率低于后者,但实时性较好。