目标跟踪一直是计算机视觉研究领域的一个重要分支,其通过对视频帧中感兴趣的部分进行数字化处理与定位,从而实现有效跟踪。近几十年来,由于研究人员的不断努力,涌现出许多优异的跟踪算法。与此同时,该项技术也在多个生活场景中得到广泛的应用,比如收集交通数据进行交通指挥监视、自动驾驶中用于估算障碍物运动轨迹的视觉导航、医学诊断中超声波图像的自动跟踪分析等等。随着研究与应用的深入,现实场景中诸如光照、遮挡、平面内与平面外旋转、快速运动等影响因素也给跟踪算法带来了空前的挑战。因此,如何研究出更准确、更高效的跟踪算法是当前亟待解决的问题。鉴别式相关滤波算法因其高速、高精度、高鲁棒性的优点,近年来受到广泛研究与应用。针对跟踪中出现的常见问题,本文基于传统的相关滤波算法提出了一些改进。本文主要工作如下:（1）针对相关滤波在抗遮挡方面效果不佳的问题,本文在ECO（Efficient Convolution Operators,ECO）的基础上提出了一种抗遮挡重定位相关滤波算法。首先,在模型建立与更新阶段通过高斯掩码函数缓解循环移位造成的边界效应;其次,通过计算目标最大响应值的峰值均值比来判断目标的跟踪状态,若目标处于遮挡状态,则启用卡尔曼算法作为目标被遮挡后的重定位策略,并停止模型更新,将模型回溯至之前未被污染的状态。实验数据表明,本算法对抗遮挡问题有较好的改进。（2）针对相关滤波器在旋转以及尺度变化等方面跟踪效果不佳的问题,本文提出了一种具有旋转特性的尺度自适应相关滤波目标跟踪算法。首先,训练一个旋转和尺度滤波器,采用相位相关算法求得尺度因子和旋转角度;其次,在旋转和尺度模型更新时,采取动态自适应更新策略;最后,在位置模型更新阶段,融合前序帧的背景信息用以增强模型的稳定性。实验数据表明,本方法不仅对平面内旋转和尺度变化有较强的鲁棒性,而且能够达到实时跟踪的要求。（3）当算法在目标跟踪过程中提取过多背景信息,会导致跟踪模板对目标的识别度降低,从而出现漂移现象。针对这个问题,本文提出了多特征融合的跟踪方法。本文通过帧差法得到跟踪目标的外观轮廓,并用Sobel算子对轮廓特征进行加强,然后求取轮廓特征的HOG（Histogram of Oriented Gradient,HOG）特征,并与跟踪目标本身的HOG特征三者融合得到局部性的特征,最后与目标的全局性CN（Color Names,CN）特征并联,形成互补学习的方式增强目标特征提取结果。实验数据表明,此方法对目标特征提取有较好的效果。