在智能交通、城市监控和军事侦察等领域,对任务场景环境中的行人目标进行检测和跟踪有着十分重要的意义。红外热成像设备具有全天候工作能力,对恶劣环境的适应性强。这些优良特性满足夜间等不良环境下进行行人跟踪的任务需求。然而,红外图像由于分辨率较低、纹理信息较少、边缘模糊的特点,增加了跟踪问题的难度。于是,本文以红外图像序列为研究对象,以实现如何对红外行人目标准确鲁棒高效地跟踪为主要研究目标,以相关滤波算法框架为基础,重点针对红外目标跟踪中的表观建模方法展开研究。本文的主要研究工作如下:首先,本文提出了一种自适应特征融合的方法。由于不同特征描述了图像的不同特点,所以本文尝试将多种单一特征进行自适应融合,得到一个判别性更强的融合特征。在特征融合算法中,首先,借助一种自适应阈值分割的方法评估每种单一特征的有效性;然后,根据特征的有效性得到特征融合的权重比,使得判别性越强的单一特征的融合权重越大。本文测试了多种单一特征对红外图像的适用性,选取效果较好的灰度特征和梯度直方图特征进行融合。经过实验发现,这种自适应融合的特征相比于单一特征和普通特征组合方法,可以有效地提高跟踪器对红外行人目标的跟踪性能。其次,本文提出了一种融合人工特征和卷积特征的提取方法。本文通过对红外图像的卷积特征效果进行研究发现,在红外目标跟踪中,使用浅层卷积层激活值为特征的跟踪器性能最好,随着网络层数的加深,跟踪器的性能越来越差。这是受到红外图像自身特点的影响,由于其分辨率较低,边缘纹理信息不明显,其较难提取出复杂的深层特征。通过本文的实验发现,将灰度特征和浅层卷积层提取出的特征进行自适应特征融合,可以明显提高跟踪器的跟踪性能。通过和主流跟踪算法的对比,定量定性地分析了该特征的跟踪准确性和鲁棒性。最后,为了能够在实际环境中检验测试本文算法对红外行人目标的跟踪效果,本文组建了一个实验平台。通过一个搭载热红外摄像头和计算机的移动平台,在校园道路上进行真实场景测试。计算机可以从热红外摄像头中实时获取红外图像,通过人工标定需要跟踪的行人目标,对目标进行跟踪测试。实验表明,本文的算法在实际测试中是有效的,达到了预期的实验效果。