目标跟踪是近年来计算机视觉的研究热点,已广泛应用于智能交通、智慧医疗和国防科技等领域。但在跟踪过程中存在光照变化、遮挡、尺度变化、目标形变等因素影响了定位的准确程度。随着深度学习浪潮的兴起和数据规模的不断增长,研究学者开始探究结合深度学习的目标跟踪技术。本文建立了融合深度残差网络与核相关滤波的目标跟踪框架,从提高目标定位精度、实现尺度自适应以及长时跟踪这三个方面进行深入探讨和研究。主要成果如下:（1）研究了一种基于深度残差网络的核相关滤波目标跟踪方法。首先,对Res Net50网络结构进行调整,并使用ILSVRC-2012大规模数据集训练调整后的网络;然后,针对预训练过的Res Net50网络进行各层特征可视化分析,并对不同层的特征跟踪结果进行性能分析,选取网络的第三、四层卷积层提取的图像特征作为训练样本,学习得到各层的最佳相关滤波器;最后,将各层的相关响应结果依据跟踪置信度评价函数赋予自适应权重,融合后响应图的最大值处即为目标的所在位置。该研究技术利用调整后的深度残差网络提取图像特征,提升了目标跟踪算法的定位精度。（2）研究了一种基于树形搜索策略的尺度自适应目标跟踪方法。在初步找到目标所在位置后,加入一个快速尺度估计模块。首先,使用快速HOG特征而非再次使用深度特征来训练尺度滤波器,减少特征提取的时间,提高目标跟踪的实时性;然后,通过建立简单尺度池以确定尺度的大致搜索方向,在所确定的尺度变化方向上以类似二叉排序树的树形结构进行不断地二分搜索,减少在尺度模块上的时间开销;最后,通过设计的尺度判别指标确定目标的大小尺度。同时,为了适应跟踪中目标的外观变化,采用模型更新策略对位置滤波器和尺度滤波器进行在线更新。该研究技术利用树形搜索策略实现了跟踪目标的尺度自适应。（3）研究了一种基于双重遮挡感知的长时目标跟踪方法。在长时目标跟踪过程中,目标被遮挡的概率大幅度提升,影响了跟踪算法的准确程度,成为长时跟踪中急需解决的问题。本文首先利用目标与周围上下左右四个相邻块的相关响应信息设计了一个上下文遮挡判别因子（ODFC）,利用目标的PSR和ODFC这双重信息进行目标的遮挡判断。其次,充分结合SVM与AdaBoost算法在分类问题上的优势,基于AdaBoost-SVM对严重遮挡状态的目标进行重检测,有效解决长时跟踪中因遮挡导致目标跟丢的问题。最后,在双重遮挡检测机制判断目标被严重遮挡时,暂停位置和尺度滤波器的模型更新,防止引入背景噪声导致的模型漂移问题。该研究技术利用双重遮挡感知和重检测机制实现了目标的长时跟踪。针对本文提出的算法,在OTB2015公开数据集上对上述技术研究进行仿真实验,并与当下的一些主流算法进行定性和定量对比分析。实验结果表明,基于深度残差网络的核相关滤波目标跟踪方法,可以有效提高目标跟踪定位的准确程度;基于树形搜索策略的尺度自适应目标跟踪方法,可以有效解决跟踪中的尺度变化问题;基于双重遮挡感知的长时目标跟踪方法,能够有效解决长时跟踪过程中目标因严重遮挡而导致的目标丢失问题。