随着时代的发展和人们生活水平的提高,计算机视觉占据越来越重要的地位。目标跟踪算法作为计算机视觉的重要组成部分,被应用到军事作战、民用安防、道路交通等多种场景之中,研究人员提出多种研究算法,来应对各种复杂跟踪场景带来的挑战,其中目标外形轮廓和尺度发生变化、目标被遮挡时不能有效地跟踪依然是当前算法存在的问题。本文基于目标跟踪算法的流程和特点,对相关滤波算法原理和模型进行了深入地分析和研究,指出了影响相关滤波算法中最重要的环节是提取的目标特征。以MOSSE和CSK两个经典算法为例,说明相关滤波算法高速的秘诀在于将时域中的相关卷积等运算转换成频域中的相乘运算。相关滤波算法在跟踪时需要对大量样本采样,由此便产生高计算成本和跟踪速度之间的矛盾。通过循环矩阵的方法来模拟密集采样,可以从数学上解决这个矛盾,使跟踪精度和速度得到同时提升,同时使用核手段将低维样本的非线性映射到高维的线性关系,并给出相关滤波跟踪器的频域解,简化了跟踪算法的复杂度,提升了跟踪质量。本文基于跟踪算法在实际场景中所面临的目标尺度形变问题,分析目标的特征对于SAMF、CN、KCF等算法的影响。通过对目标本身的LBP纹理特征、Hog梯度特征以及CN颜色特征的提取方法和效果进行分析和验证,提出了一种基于DSST算法的尺度自适应算法,采用经过改进后的SAMF算法的特征,应用于DSST的位置滤波器中,加强了其判别能力。针对循环矩阵产生的边界效应问题,在算法中采用掩膜矩阵最小化误差函数,并通过ADMM迭代求解最优滤波器参数。最后通过OTB测试基准中的指标和多种挑战性序列的测试,在数据集上与相关算法进行比较,验证了跟踪算法的有效性,并分析经过改进后的算法本身的特点。针对相关滤波算法中缺少长时间跟踪算法的现状,对于TLD跟踪算法进行了详细的介绍,并在TLD算法部件的基础上提出了一种基于DSST与TLD跟踪算法结合的长时跟踪算法,给出了改进算法的实现原理。在OTB相关序列上对算法进行测试和比较,根据测试结果对改进算法的优缺点进行分析,得出该算法在跟踪场景中的有效性和局限性。经过对文中提到算法的分析得出本文改进算法和现有目前跟踪算法的局限性,并指出未来相关滤波跟踪算法的改进和优化方向将趋向于解决相关滤波跟踪的高精度和深度学习跟踪的低速度的方向发展。