目标跟踪是计算机视觉领域的研究热点之一,目前广泛应用于机器人、人机交互和安防等民用领域,以及武器的精确制导等军事领域。相关滤波跟踪算法因兼具速度和精度的优势引起广大研究人员的关注,近些年来,也取得了较为显著的效果。但与此同时,它仍面临诸多挑战,在复杂场景下（如目标遮挡、目标快速运动等）跟踪器性能下降,影响使用效果。本文以相关目标跟踪框架为基础,在跟踪中的边界效应,尺度估计和模型污染^[1]问题上进行研究,主要研究成果如下:针对边界效应问题,本文提出一种自适应扩展搜索区的方法,通过缩短搜索中心与真实目标中心点的距离来缓解边界效应。首先根据历史目标位置信息采用最小二乘多项式拟合估计目标位移并确定目标运动状态,当预估目标出现大幅运动时,通过引入距离真实目标可能更近的第二搜索区对搜索区进行扩展,然后在扩展后的搜索区域内进行目标检测。OTB(Object tracking benchmark^[2])数据集上的实验结果表明,在目标快速运动场景中,本文提出的自适应扩展搜索区的方法能够有效缓解边界效应的影响,提升目标跟踪的准确性,同时能够保持较高的处理帧频。针对目标尺度变化问题,本文从尺度优化的角度出发,以经典自适应尺度的相关跟踪算法为基础,提出基于卡尔曼滤波的尺度优化方法,旨在通过提高算法的尺度估计精度来改善算法跟踪性能。首先建立目标尺度变换模型,在跟踪过程中,基于最优控制理论,采用卡尔曼滤波算法利用尺度滤波器的尺度输出对尺度变化模型的尺度预测进行调整,从而完成尺度测量的滤波优化,获得目标尺度的最优估计。在OTB^[2]数据集上的实验结果表明,在保持与基准算法相近处理效率的同时,本文提出的尺度优化方法能有效促进跟踪器性能的提升。针对模型污染问题,本文提出一种新的自适应学习率模型更新方法。首先通过一种基于统计概率的方法计算滤波器输出的目标区域属于真实目标的置信度得分,然后根据置信度得分调整学习率,最后完成模型更新。在OTB^[2]数据集上的实验结果表明,在略微牺牲算法运算速度的情况下,本文提出的自适应模型更新方法可以有效缓解模型污染,提升跟踪器的性能。本文针对边界效应、尺度估计和模型污染问题展开研究,并进行轻量改进,在保持较高处理帧频的同时提升跟踪器性能,为算法的实时应用提供有效支撑。