目标跟踪在人类实际生活中应用广泛,因此目标跟踪成为了计算机视觉领域的热门课题。近几十年来,针对实际场景中的各种问题,研究人员提出了许多优秀的跟踪算法。然而,一些问题仍影响跟踪算法的性能,如遮挡问题。因此设计出一种抗遮挡的鲁棒目标跟踪算法是目标跟踪领域的研究重点。核相关滤波器凭借循环矩阵和核技巧,既获得了较高的跟踪精度又保证了较快的跟踪速度。但是,遮挡挑战会严重污染目标模型和影响核相关滤波器算法的定位。所以本文针对遮挡问题,在核相关滤波器算法的基础上提出了改进算法。本文的主要研究工作如下:针对目标跟踪过程中的遮挡问题,本文设计了一种基于多示例学习和核相关滤波器的目标跟踪算法。首先该算法联合多示例学习的分类能力和核相关滤波器最强响应值的分布特征构建遮挡检测机制;其次,当遮挡检测机制判断目标发生遮挡时,激活重检测机制进行目标搜索,同时暂停更新模型,防止模型被遮挡物所干扰;最后构建尺度相关滤波器确定目标的尺度。实验结果表明,提出的算法能够有效解决遮挡问题。为了提高目标跟踪算法的速率,同时保证算法在遮挡场景下的跟踪精度,本文提出了一种双重遮挡检测下的目标跟踪算法。该算法首先根据核相关滤波器的平均峰值相关能量构建初步遮挡检测机制;接着采用局部二值模式特征和余弦相似度设计遮挡细检测机制,如果初步遮挡检测机制判断目标发生遮挡,则使用遮挡细检测机制进一步判断目标是否发生遮挡,这既可以保证跟踪算法的遮挡检测功能,又能降低跟踪算法的复杂度。若发生遮挡,则激活带权重的重检测机制进行目标搜索,同时暂停更新模型。该算法在抗遮挡方面表现优异,同时具备较快的跟踪速率。