近年来,目标跟踪成为计算机视觉领域的热门研究方向。在视觉监控、人机交互、军事等领域都有着广泛应用前景。随着计算机运算速度的提高和评价指标的规范,目标跟踪领域发展迅速,许多优秀的算法纷纷涌现出来。但是,目标跟踪在实际应用中还存在着许多挑战,例如目标外观变化、目标旋转、光照变化、复杂背景影响、目标快速运动、目标遮挡等,这些挑战影响算法准确性,算法的鲁棒性有待进一步提高。近年来基于相关滤波器的跟踪算法表现十分优异,成为该领域的研究热点。此外,随着深度学习的发展,深度学习在视觉跟踪领域的应用也成为研究方向。本文在基于相关滤波器的跟踪算法基础上进行研究,深入了解相关滤波器的理论知识和跟踪框架,并且深入分析卷积神经网络,使用卷积神经网络提取图像目标的特征。本文的主要工作如下:针对视觉目标跟踪算法进行研究,对目标特征描述进行归纳总结,对跟踪模型进行分类,在此基础上更好的理解基于相关滤波器的跟踪算法,并结合目标的特征描述提出本文的跟踪算法。提出基于相关滤波器优化跟踪算法。通过对基于相关滤波器的跟踪算法进行研究学习,在其框架基础上进行优化。首先,算法针对复杂背景的挑战进行优化,提出图像预处理算法。复杂的背景会使目标特征表达包含多余的信息,采用预处理算法对图像进行显著性检测,突出图像目标显著部分,减少冗余信息的干扰。针对目标尺度大小变化进行改进,对图像进行尺度变化处理得到不同的目标样本,对不同尺度目标进行特征提取,并根据不同尺度特征图的响应大小进行定位。提出基于深度学习特征的跟踪算法。通过对深度学习网络进行研究,对卷积网络提取特征进行分析,将深度学习特征与相关滤波器跟踪算法结合。本研究采用了浅层的卷积层输出和深层的卷积层输出对目标进行特征表达,浅层的卷积层包含较多的空间信息,而深层的卷积层则包含的更多的语义信息。算法将不同分辨率的特征图进行融合,同时采用其他传统特征结合,增强图像表达,实现对目标的准确跟踪。此外,为了应对遮挡情况,采用了优化模板更新策略。大部分算法中采用每一帧实时跟踪模板的策略,算法的时效性较差,同时对于出现遮挡情况,跟踪器的实时更新会使模板受到污染,导致跟踪出现偏移,致使跟踪失败。因此。本文采取了较为稀疏的更新策略,提高算法对目标遮挡这一问题的鲁棒性。