目标跟踪是计算机视觉领域中的重要研究方向,在自动驾驶、人机交互、无人机侦察及视频监控等人工智能领域应用广泛。基于相关滤波的目标跟踪算法,由于其高精度和高实时性的优势引起大量研究者的关注。通常目标跟踪在真实环境中面临许多挑战:快速运动、运动模糊、相似物干扰、遮挡、尺度变化以及形变量大等,因此在满足实时性的同时,如何实现快速准确的跟踪一直是目标跟踪领域重要的研究课题。本文在基于相关滤波算法的框架上,提出改进方法,包含基于背景感知的相关滤波器、自适应的位置修正机制、主成分分析法（PCA）降维和滤波器模型更新策略。本文的具体工作如下:第一,针对目标跟踪中的快速运动和相似物干扰问题,利用现有的样本图像通过背景感知的方法训练更多的正负样本,降低了由于边界效应带来的跟踪丢失现象,实现样本数量的增加和样本质量的提升,提高滤波器在复杂场景下的分类能力,进而提高目标算法跟踪精度。第二,针对目标跟踪中因位置判断不准确引起的模型漂移现象,提出一种位置修正机制,利用高置信度条件判断位置是否准确,如果不准确,融合颜色命名（CN）特征进行位置修正,融合后的特征增加了算法对目标的描述能力,提高了算法在复杂环境下的跟踪精度,缓解了模型漂移的问题。第三,为了解决融合CN特征后引起的计算复杂度增加的问题,本文利用PCA对融合后的特征做降维处理,改进后的算法以损失较小的跟踪精度为代价,极大降低了计算复杂度,提高了算法跟踪速度。第四,针对相关滤波算法在目标被遮挡和目标形变量大时跟踪不稳定的现象,提出利用平均峰值相关能量、多峰检测以及最大响应值自适应地更新滤波器模型,使算法能够更好适应复杂场景,在目标全遮挡或形变量大时能够有效跟踪。