计算机视觉目标跟踪问题是研究在已知目标跟踪视频序列第一帧中目标物体的尺寸与位置的前提下,预测后续帧中该目标物体的尺寸与位置。目标跟踪一直是计算机视觉领域的热点问题之一,因为其在公安监测、无人机领域、交通监控、城市智能交互系统等领域中具有更广泛的应用。但同时该问题算法的研究也存在依赖人工手动框选、目标形状变化、背景光照变化、遮挡、运动模糊等诸多问题。如何高效地处理并解决此类问题,是现阶段的热门研究方向,也是本文的主要研究任务。本文针对计算机视觉目标跟踪问题存在的诸多问题,选取基于相关滤波的目标跟踪算法并根据其算法的缺点以及任务需要对其进行改进,同时对其进行仿真测试,使算法取得更好的效果。主要研究内容如下:首先,针对传统的目标跟踪算法存在依赖人工手动在视频序列初始帧框选目标的缺点,在跟踪算法进行之前引入计算机视觉目标检测思想,利用串联卷积神经网络目标检测算法实现目标检测任务。同时由于传统串联卷积神经网络目标检测算法对于目标形状的适应性较差,利用形变卷积的思想对传统串联卷积神经网络目标检测算法进行改进,提升目标检测算法的特征提取能力,进而提高系统目标检测的精确度,实现系统自动检测待跟踪目标的功能。其次,在目标跟踪部分采取基于相关滤波的目标跟踪算法。传统的相关滤波目标跟踪算法特征需求量大且描述性较差,而深度特征具有较强的描述性,利用深度神经网络VGG-M中的Convl层以及ResNet18的第三个卷积层提取的深度特征对相关滤波器的训练进行改进,弥补传统相关滤波算法特征描述性较差的缺点,使得相关滤波目标跟踪算法的精确度得到显著的提高。之后,对本文算法进行实验仿真测试。实验结果表明,本文算法可以完成预期任务,同时有效地提高计算机视觉目标检测以及跟踪算法的准确性,并且弥补传统目标检测及跟踪算法的缺陷。最后,对本文所作的工作进行归纳总结,并对研究进行展望。