随着5G通信、物联网与人工智能等新兴领域的发展,计算机视觉应用场景愈益广泛,目标跟踪作为计算机视觉中最为重要的方向之一,具有非常高的理论与实践研究意义。近年来具有跟踪性能优异的目标跟踪算法在高性能云平台上实现应用,但高速实时运算及高能耗限制了其在移动终端的应用,因此优化目标跟踪算法、提高运算电路能效有着显著的研究意义。论文紧扣影响目标跟踪性能的关键因数,在详细分析多类目标跟踪算法基础上,重点研究了核相关滤波算法,提出了基于系统聚类的自适应模糊方法,在保证跟踪精度前提下,通过对跟踪图像的模糊处理,大幅降低了算法的运算量;提出了多种窗函数融合的优化方法,以优化还原模糊的图像信号;同时在高斯回归期望进程中采用剪枝处理,进一步降低算法运算量。论文基于PYNQ-Z2平台系统验证了所提系列方案的有效性,并通过软硬协同开发的方式将核相关滤波算法中关键的模板生成与高斯核化部分以FPGA硬件库的方式进行加速。最终,通过对OTB-50标准数据集的仿真验证,可得优化与加速后的核相关滤波算法的跟踪精度为60.41%,跟踪实时性（FPS）为20.04。该结果相较于原算法在跟踪精度上提升了0.18%,跟踪实时性上提升了6.51倍。