目标跟踪技术是计算机视觉和图像处理领域的一个重要的研究方向,广泛应用于智能监控、人机交互和现代军事等领域。近年来,基于相关滤波的跟踪算法因其高速鲁棒的性能成为了研究人员的关注热点,然而运动场景的多变及目标本身的复杂性,目标跟踪技术仍然面临着比如背景杂乱、遮挡、尺度变化等复杂因素的干扰,实现鲁棒性高、准确性高的目标跟踪算法依旧面临着挑战。为了提高目标跟踪算法面对各种干扰因素的跟踪性能,本文开展了以下两方面的研究工作:首先,针对多尺度相关滤波跟踪算法(DSST)目标表达单一以及使用固定学习率不能很好地适应目标外观变化的问题,提出了基于多特征融合和动态学习率的快速跟踪算法。通过融合灰度特征、HOG特征、CN特征和光照不变特征,提高了算法在复杂场景下的目标表达能力。除此之外,为了能够准确的跟上目标外观的变化,进一步提出了学习率动态更新策略,通过引入新的指标偏度(Skewness)衡量响应图波动状态来反映跟踪结果的置信度,然后比较相邻两帧的偏度关系来自适应更新学习率,从而合理控制滤波器的更新速度。在基准数据集OTB-2013上的实验结果表明,提出的跟踪算法在跟踪精度和鲁棒性方面有较大的提升,在速度方面也达到了实时,超过了 40fps。其次,针对深度特征结合相关滤波的跟踪方法在目标检测阶段存在背景干扰及单个跟踪模型对目标进行跟踪不稳定的问题,提出了基于多模型响应融合的空间注意力跟踪算法。通过空间注意图对来自搜索区域的多层深度特征分配不同的空间权重来抑制背景特征,减少背景特征对应的响应值,提高了跟踪器对目标和背景的判别能力。此外,使用多层深度特征分别训练多个基本相关滤波器模型,用它们分别对目标进行跟踪。为了进一步提高跟踪的稳定性,提出了一种多模型自适应响应融合策略。该策略通过评估多个基本相关滤波器模型的响应图的置信度,自适应地选择可靠相关滤波器模型的响应图进行自适应加权融合。最后,为了适应跟踪中目标外观变化,在跟踪中自适应的更新空间注意力图和相关滤波器模型。在OTB-2013和OTB-2015这两个数据集上的实验结果表明提出的算法在精度和成功率上优于其它12种优秀算法。