目标跟踪是计算机视觉领域的研究热点之一。虽然针对目标跟踪问题已经提出大量理论和算法,但由于所应用的实际场景复杂多样,有效提高目标跟踪算法的鲁棒性仍是一个具有挑战性的问题。尺度相关滤波跟踪算法(Discriminative Scale Space Tracking,DSST)作为一种主流跟踪算法,得到广泛的应用。但是由于DSST采用的人工特征无法捕捉目标的语义信息,对目标的描述能力难以满足跟踪过程中复杂环境的变化,在复杂场景下容易出现目标跟踪失败的问题。本文提出利用卷积神经网络的多层卷积特征来提高DSST算法目标跟踪的鲁棒性。主要工作如下:1.研究了卷积神经网络的基础理论及基于模型VGG-19的特征提取。对基于深度模型VGG-19提取的分层特征进行了深入的分析。网络中各层特征反映的信息成分不同,低层特征图分辨率高包含更多细节信息,高层特征图分辨率低但能提取更多语义信息。通过实验分析选择最优的卷积层特征响应图进行融合,以便获得更有效的特征表达能力。2.提出一种基于多层卷积特征融合的自适应相关滤波跟踪算法。通过将尺度空间相关滤波算法与多层卷积特征相结合,基于融合多层的卷积特征估计目标位置,基于HOG特征估计目标尺度,并引入了模型自适应更新机制,通过峰值旁瓣比指标对跟踪置信度进行评估,决定是否更新位置滤波模型,实现目标的自适应跟踪。实验结果表明,本文算法对复杂场景下的跟踪任务具有较好的适应性,与其他最新的主流跟踪算法相比表现出了更稳定和准确的跟踪性能。