目标跟踪作为计算机视觉领域重要的分支,已在实际生活的各个领域得到广泛应用,如智能监控、人机交互、无人驾驶等。尽管目标跟踪领域经过长时间的发展已积累大量优秀的成果,但由于跟踪场景的复杂性,如目标形变、尺度变化、遮挡、运动模糊等,目前仍没有一种算法能良好的适应所有跟踪场景,因此如何提升跟踪算法对复杂场景的鲁棒性仍然是一项艰巨的任务。本文基于目前主流的相关滤波跟踪框架,针对复杂场景下目标跟踪面临的挑战,从特征提取、尺度预测、遮挡处理、集成处理四个角度对背景感知滤波器算法进行改进。论文主要工作如下:第一,针对特征单一和尺度估计不精确的问题,本文分别使用特征融合策略和引入快速尺度滤波器来提高背景感知滤波器算法的性能。首先,在算法的特征提取阶段引入多种互补特征融合为强特征,增强特征对目标的表征性。其次,通过引入快速尺度滤波器来对目标尺度进行单独预测,提升算法的跟踪性能。第二,针对遮挡问题,在第一点改进算法的基础上,提出一种基于特征融合与快速尺度滤波的平行跟踪算法。通过对相关响应图在跟踪器正常跟踪情况与目标受遮挡的情况下的峰值特点进行分析,提出一种响应图质量波动评价指标用于遮挡判断,并采用平行跟踪策略用以区分目标遮挡与大幅形变。第三,针对单一跟踪器容易漂移和特征利用率低的问题,提出一种改进的多线索集成跟踪算法。该算法集成了采用不同特征的多种基础跟踪器,用改进的综合鲁棒性评价指标对多个跟踪结果进行决策,有效判别出最佳跟踪结果,通过最终结果的反馈实现多跟踪器之间的相互纠错机制,有效增强算法整体鲁棒性。在实验方面,基于OTB-100基准数据集对上述提出的基于背景感知滤波器改进的平行跟踪算法和多线索集成跟踪算法进行了大量实验,并和其它主流算法进行了对比分析,实验表明了本文所提出改进方法的有效性,其改进后的算法具备更佳的跟踪性能。