视觉目标跟踪技术始终是计算机视觉中一项具有挑战性的课题。由于在跟踪过程中,目标可能会发生较大的形态和外观改变,同时因为缺乏充足的训练样本,导致大多数的在线学习跟踪算法都会产生性能上的瓶颈。比如当出现目标被遮挡、离开视野或快速运动等情况时,很容易发生模型漂移,进而造成跟踪失败。本文针对复杂场景下目标跟踪任务的性能需求,通过多特征融合、多尺度估计、目标模型自适应更新以及目标丢失后的重检测等联合策略,提出了一种基于相关滤波的改进算法。论文的主要研究内容如下:（1）针对跟踪过程中目标形式多样、外观变化剧烈的问题,设计了一种改进的多特征自适应融合跟踪算法。首先,利用卷积神经网络提取目标搜索区域的深度特征,并根据神经网络中不同深度卷积层所包含的目标信息特点,对特定的多层卷积结果进行加权融合;其次,对搜索区域提取HOG和CN两种手工特征,并将其通过级联的方式进行融合;最后,将利用深度特征和手工特征所计算得到的响应图,根据二者的置信度进行自适应融合,并根据融合后的响应图计算目标位置。通过这种方式,能够将多种特征的优势相结合,克服了目标跟踪过程中由于目标外观发生剧烈变化导致的跟踪不稳定的问题。（2）针对目标发生旋转、形变等情况导致尺度发生变化的问题,设计了一种改进的多尺度目标估计方法。通过将Edge Box提取目标候选边界框提案的方式与传统的尺度金字塔估计方法相结合,选择二者中的最优解作为最终的目标估计尺度,避免了在使用单一尺度金字塔方法进行尺度估计时目标边界框的宽高比始终保持不变的问题,提升了对目标的表达能力。（3）针对目标被遮挡或出视野等情况造成的模型漂移和目标丢失问题,提出了一种改进的自适应模型更新和目标丢失重检测跟踪算法。首先,根据响应图的峰值和平均峰值能量指标对跟踪结果进行评估,如果判断出现了目标遮挡等情况,则停止对跟踪模型的更新,避免使用错误的跟踪结果对模型进行更新导致的模型漂移问题;其次,在跟踪过程中训练一个逻辑回归分类器和长时相关滤波模型,当目标丢失后,利用Edge Box算法在周围区域提取目标候选样本提案,并使用训练好的分类器和模型对候选提案进行打分,将其中的最优提案作为重检测得到的目标位置,从而找回目标;最后,通过在OTB和VOT数据集上对所提出的算法进行测试和分析,并将实验结果与其他优秀的目标跟踪算法进行对比,证明了所提出算法的有效性和优势。