视觉跟踪是计算机视觉领域的热点话题,旨在只通过给定视频第一帧目标所在的位置和尺寸在后续帧中准确找出目标所在位置和大小。近年来,基于相关判别模型的视觉跟踪算法由于其较为优秀的跟踪精度和速度,受到了研究人员的广泛关注。其中基于相关滤波的目标跟踪算法因为其保证精度的同时拥有更快的运算速度,涌现出了许多优秀的工作。本文针对基于相关滤波的视觉跟踪算法作出如下研究:其一,针对基于相关滤波算法易受到边界效应影响,提供了一个新的解决思路。以往设计的相关滤波器均粗略地使用固定带宽的窗函数来抑制边界噪声,这会不可避免地损失训练所需要的信息。基于上述传统模型存在的缺点,本文首先实现了通过自适应调整窗函数的带宽来保留更多的有效信息,从而更加有效地抑制边界效应。根据指定区域的滤波器置信值的变化来调整窗函数带宽,使滤波器模板固定区域值和窗函数带宽二者呈正相关趋势变化。其二,针对基于通道和空间可靠性的判别式相关滤波跟踪算法在目标遮挡和背景严重干扰时容易跟丢的问题加以改进,引入时间项的正则惩罚,并且调整通道可靠度的计算策略,在训练滤波器时在空间,时间和通道三方面进行约束,极大地增强了滤波器模板的判别力。实验结果表明,在基于手工特征和深度特征的相关滤波模型上分别融合自适应窗函数机制,在OTB两个数据集上准确度和成功率提升1到3个百分点。对于通道,空间和时间约束算法,在OTB100数据集上的成功率和准确率分别超越基础模型1.2%和1%。