目标跟踪是目前的重点研究问题之一。近几年跟踪领域取得了很大的成果，虽然现在已经提出了很多方法，但是由于真实场景的复杂性，目标跟踪仍然是一个挑战。相关滤波模型是一种判别模型，相对比其他判别模型，它利用了大量的训练样本，增强了跟踪器的鲁棒性。但是在跟踪过程中，传统的相关滤波框架下的预测模型通过线性更新获得。这往往会造成，模型逐渐遗忘目标，从而导致跟踪失败。另外，由于真实场景的复杂性，基于单一特征的模型不能同时处理多种问题。　　对于以上两种情况，本文分别提出基于自适应模型和基于多特征融合的跟踪方法。自适应模型，通过利用L1稀疏方法确定各个模板的重要程度。首先，构造一个模板字典，模板字典作用于搜索框得到响应集。然后，响应集被对准函数处理后，应用L1范数构造高斯响应与响应集之间的关系式，最小化这个关系式求解表示系数。同时衡量响应集的PSR值，并做归一化处理。最后，由L1方法得到的系数和PSR值共同决定模板的权重。线性加权每个模板，生成自适应模型。多特征融合机制，利用boosting算法思想提高鉴别性特征的重要性。对于每一种特征，用给定的初始目标位置和高斯响应图，构建一个回归器。然后构建测试样本集，选择任意其一回归器对测试样本集进行预测，预测的正确率为此特征的结合权重，同时根据预测正确率调整测试样本的分布，加大被预测错误的样本权重，使得本预测错误的样本在后续的测试中被更加重视，然后选择剩下的任一回归器对调整后的样本进行预测；如此重复，直到最后一个特征的回归器。　　本文提出的这两种算法在OTB和VOT上进行算法评估，评估结果表明本文的算法面对复杂场景的表现力更好。