视频跟踪在多方面都有着非常重要的用途,例如智能交通、虚拟现实、精确制导等。如今,视频的多样性导致各种各样问题接踵而来,在跟踪过程中会发生部分遮挡、光照强度变化、背景复杂等情况,这无疑加大了跟踪算法的难度。所以本文主要针对部分遮挡和背景复杂这两个问题进行了研究和分析,通过在线检测算法改进核相关滤波再和粒子滤波预测结果进行融合,当遇到部分遮挡和背景复杂情况发生时,能够较好跟踪目标。本文主要工作如下:首先,介绍了视频跟踪中常用的两种模型,分别是判别式模型和生成式模型,并对两种模型优缺点进行分析;然后,在这两种模型中选择具有代表性的算法,即核相关滤波和粒子滤波,核相关滤波拥有在计算方面上的优势以及占有资源较少,但是在表达目标模型这一方面存在着不足。所以针对核相关滤波进行改进,改进方式是通过引入在线检测算法中的损失函数对核相关滤波中的分类器进行判断分类结果是否正确,如果分类有误则更新分类器相关参数,得到正确的分类结果,以便提高目标模型的表达。改进核相关滤波始终属于判别式跟踪的一种,存在一些不足。粒子滤波属于生成式跟踪,在目标模型的表达具有较好的效果;最后,针对不足之处将改进核相关滤波和粒子滤波进行互补融合,融合策略是利用融合函数把改进核相关滤波预测的目标位置和粒子滤波预测的目标位置进行融合。最终达到更好的跟踪效果。本文通过从Visual Tracker Benchmark数据集中选取部分视频与其它算法进行实验对比分析,分别从定量分析和定性分析验证本文方法的有效性。在定量分析方面上,常用平均距离度量和平均成功率来衡量算法的好坏,本文方法平均距离度量为91%,比核相关滤波提高了 11.36%,比粒子滤波提高了 25.8%。本文方法平均成功率为94.5%,比核相关滤波提高了 17.98%,比粒子滤波提高了31.9%。在定性分析方面上,实验结果对比能够直观验证本文方法的有效性。