随着计算机视觉相关的领域的快速发展,目标追踪作为计算机视觉中的重要分支,已经被各个行业所追捧,这也使得目标追踪算法在追踪过程中遇到的场景也越来越复杂。在追踪过程中遮挡、形变、复杂背景、多尺度及模糊等问题丞待解决。基于核相关滤波的KCF追踪算法应运而生,由于其具有较好的时间鲁棒性,故而从问世以来就受到了广泛的关注。本文基于KCF目标追踪算法,针对其空间鲁棒性的不足之处提出了一系列的改进方法。为了得到一种既满足时间鲁棒性又同时兼顾空间鲁棒性的目标追踪算法,本文提出了一种新的空间网格定位(GPG)的追踪模型,GPG算法使用了基于平均峰间相关能量的变化率(APCH)判断当前帧目标的追踪是否可靠,如果可靠就继续使用KCF进行追踪,反之则使用空间网格导向的定位模型对待追踪目标进行追踪,故而使用GPG模型可以解决目标追踪过程中的目标遮挡、目标尺度变化、背景模糊及目标漂移等情况带来的追踪算法的空间鲁棒性不好的问题。本文使用以下三个方法解决KCF目标追踪算法在追踪过程中的问题。(1)目标框定位:利用网格特征融合,生成新的预选框使得目标追踪过程中的定位更加准确,可以有效地防止目标框的偏移,结局了KCF算法空间鲁棒性不好的问题。(2)更新策略:利用APCH代替APCE可以使整个评价标准变得更加精细化,使用平均相关峰值能量的导数使得追踪响应更加平缓,更容易找到激变的响应,找出有问题的目标图片,定位到问题帧,再融合空间网格定位而进行重新定位,并追踪。(3)目标尺度变化:通过对追踪过程中的初始帧图片中的预选框进行扩展区域的映射,解决了目标框在追踪过程中无法跟随目标的突然变大而变大的问题。GPG算法通过APCH更好的反映了KCF算法在追踪过程中检测当前帧的追踪可靠性,并通过网格定位模型对追踪框的空间鲁棒性进行优化。通过KCF与深度学习相结合提出了一种新型空间网格目标追踪算法GPG并对其进行实验分析,在目标追踪数据集OTB-50的实验结果表明,GPG追踪算法能够有效的解决追踪过程中的相关问题,并具有良好的目标追踪性能。