随着计算机技术的不断发展,计算机视觉已经成为了当今热门的研究领域。其中,目标跟踪是计算机视觉众多研究内容中的一个关键技术,在现实社会生产中具备广泛的应用价值。近年来,目标跟踪算法取得了很好的成果,比如具备高处理速度和较高准确度的相关滤波跟踪算法。虽然这些跟踪算法具备较高的运行速度和较好的跟踪准确性,但是在目标发生遮挡、快速运动和尺度变化等跟踪场景下仍然效果不佳。针对上述问题,本文利用改进的KCF（Kernelized Correlation Filters）相关滤波跟踪算法,实现复杂场景下的目标跟踪,并且将改进的目标跟踪算法应用到船只识别当中,实现对水上船只的自动识别与跟踪。具体工作如下:（1）在多特征自适应学习机制的跟踪算法研究中,首先,针对单一HOG特征在运动模糊、形变等场景下表达能力不足的问题,本文通过动态计算权重的方式,将多种特征融合在一起,从而提高目标特征的表达能力。其次,传统跟踪算法采用固定尺度跟踪目标,本文通过建立目标尺度池并训练尺度滤波器,实现对跟踪目标的尺度识别。最后,针对滤波器固定学习率在目标光照变化、发生遮挡、快速运动等场景下跟踪效果不佳的问题,本文将目标的运动速度和平均峰值相关能量相结合来动态调整滤波器的学习率。（2）在尺度反检与重定位跟踪算法研究中,首先,本文通过反向尺度检测机制,提高尺度滤波器对于小尺度目标识别准确性。最后,针对目标发生遮挡或者因为快速运动移出检测区域问题,本文根据重检测因子,动态的启动目标重检,从而完成对目标的重定位。（3）对于目标跟踪算法在船只识别中的应用,首先,通过帧差法进行运动目标检测。其次,针对水纹拖尾对于目标识别与跟踪的影响,本文通过设计的水纹拖尾分类器进行剔除。最后,设计船只分类器并与本文跟踪算法相结合,实现对船只物体的自动化跟踪操作。通过实验并与常见的主流跟踪算法进行对比,结果表明本文的跟踪算法具备较好的跟踪成功率和精度,也能够满足实时性的跟踪要求。在智能船只识别跟踪实验当中,本文船只识别跟踪算法具备较好的稳定性、准确性,满足性能和功能的要求。