目标跟踪是计算机视觉领域里的一个研究热点,并广泛应用于视频监控、交通、人机交互等生活领域中。近年来,跟踪算法的性能不断提升,但是在面临复杂场景时,设计一个高鲁棒性的跟踪模型仍然是个难题。针对传统跟踪算法存在的不足,本文在相关滤波框架的基础上进行了以下一些研究:针对传统相关滤波跟踪方法的空间正则化权重与目标内容无关和跟踪过程中模型发生退化等问题,提出一种基于时间感知和自适应空间正则化的目标跟踪算法。首先,在第一帧中通过图像显著性检测算法获取带有目标内容信息的空间正则化初始权重;然后,在目标函数中加入自适应空间正则化项来缓解边界效应对相关滤波器的影响;最后,加入时间正则化项使相关滤波器能够学习到相邻帧之间的信息,降低算法模型在处理不准确样本时出现过拟合的风险。实验结果表明,该算法在OTB数据集中的多种复杂场景下都具有良好的鲁棒性。针对传统相关滤波跟踪方法忽视不同特征对目标具有不同表达能力这一问题,提出一种基于自适应特征融合的目标跟踪算法。首先,联合峰值旁瓣比和平均峰值相关能量两个跟踪质量评测指标提出一种特征可靠性评估方式;然后,根据提取的不同特征单独训练出多个滤波器;最后,根据计算出的特征可靠性系数对多个滤波器的跟踪响应进行加权融合来定位目标。此方法有效突出了表达能力较好的特征在后续跟踪中的贡献,使得融合后的跟踪响应图具有更少的噪声。OTB数据集上的实验结果显示,该算法的跟踪成功率和准确率都取得了预期的效果。