目标跟踪作为计算机视觉领域热门的研究方向在日常的工作和生活场景中有广泛的应用,而车辆跟踪是目标跟踪具体化的应用场景之一。车辆运动场景复杂多变,车身形变模糊、道路光照发生变化等情况会给车辆跟踪带来一定的技术难点。随着深度学习技术的快速发展,将深度特征结合相关滤波方法进行目标跟踪已经成为重要的研究方向之一。本文针对车辆跟踪的技术难点,提出应用多层深度特征构建相关滤波器并联合二元SVM分类器进行车辆长时间跟踪的算法。本文的主要研究内容如下:（1）开展了基于ResNet50多层特征的车辆跟踪的研究。首先,本文通过比例缩放、光照变化、加入高斯噪声的方式对车辆数据集进行预处理,并对特征提取网络ResNet50进行微调训练;其次,利用微调后的ResNet50网络四个大残差块输出的特征分别训练了四组滤波器进行车辆跟踪;最后,融合了四组滤波器的结果,由粗到细逐层确定车辆位置。（2）研究了如何对特征提取网络进行结构调整,用以解决深度特征通道数过多导致跟踪速度变慢的问题。通过在ResNet50相应的卷积层分别增加一个分支网络,形成了多分支ResNet50特征提取网络。利用分支网络降低输出特征通道数,有效地减少了构建的相关滤波器的数量,提升了跟踪速度。（3）以实现目标车辆的长时间跟踪为研究目标,训练了一个在线学习的SVM进行重检测,当跟踪丢失的目标车辆再次出现时能够重新被跟踪器定位。本文采用峰值旁瓣比PSR对跟踪器是否丢失跟踪目标进行判定,降低了重检测对跟踪器性能带来的消耗和影响。本文采用OTB100评价指标对本文提出的跟踪算法、Struck跟踪算法、HCF跟踪算法三种算法的跟踪性能进行对比分析,实验结果表明本文提出的跟踪算法明显优于未使用深度特征的Struck算法,且本文提出的跟踪算法在跟踪性能和跟踪速度上均优于HCF算法。根据上述实验结果分析可知,本文的跟踪算法不仅拥有较好的跟踪性能和跟踪速度,而且能实现对车辆的长时间跟踪。