目标跟踪指在连续视频序列中对目标进行定位,被广泛应用于安防监控、定位建图和智慧城市等多个领域。在实际跟踪过程中,往往同时存在多种挑战性因素,如背景光照变化、目标快速运动和非刚性变形等。一方面,当跟踪准确率较低时,传统算法往往继续进行模板更新,导致跟踪框逐渐漂移无法恢复定位。另一方面,在长时目标跟踪中,存在目标被严重遮挡甚至短暂离开视野的情况,传统算法不具备再次找回目标的能力。因此,本文针对上述问题,对基于相关滤波的目标长时跟踪算法进行研究,主要研究工作如下:（1）为了解决模板污染和算法无法评估跟踪结果可靠性的问题,提出一种基于置信度评估策略的目标长时跟踪算法。将响应图平均峰值相关能量以及颜色直方图得分作为置信度,与动态阈值进行比较。根据置信度的评估情况对跟踪模板进行自适应更新,减少背景杂波、运动模糊、遮挡等复杂场景带来的干扰。当跟踪框可靠性较低时,激活目标重检机制。在OTB-2015数据集平台进行仿真试验,该算法的精确度与成功率分别为85.5%和79.8%,具有较好的鲁棒性。实验结果表明,基于置信度评估的长时目标跟踪算法可以有效保护模板,提高算法的抗干扰能力。（2）针对目标丢失无法重新定位的问题,提出基于再检测的目标长时跟踪算法。当置信度得分低于全局检测阈值时,使用改进EdgeBoxes算法快速检测候选框;反之采用改进稀疏编码方法提取候选框。在OTB-2015数据集中该算法精确度与成功率分别为86.1%和80.4%,平均运行速度为35.7FPS。实验结果表明,基于再检测的目标长时跟踪算法在遮挡、出视野等视频序列中能够稳定跟踪,并且保证算法实时运行。