计算机视觉技术飞速发展,在日常生活中广为应用。目标跟踪作为计算机视觉领域的重要分支,吸引了大量学者的关注和研究。目标跟踪在智能监控、自动驾驶、医学图像、军事等许多领域展现了强大优势,相关算法研究成果层出不穷。早期的生成式模型跟踪算法,以及近来的判别式模型跟踪算法的提出过程中,目标跟踪技术在性能上不断突破。后者(即判别式模型跟踪算法)包含的相关滤波的跟踪算法兼顾速度与精度,因而备受瞩目。虽然相关滤波以及其它目标跟踪算法表现了较好的跟踪效果,但针对复杂背景情形,即涉及尺度变化、光照变化、目标形变、背景混乱、快速运动等多种场景的跟踪效果仍不理想。受自适应尺度相关滤波器跟踪算法(DSST)和空间正则相关滤波器(SRDCF)启发,本文从多相关滤波器检测融合和多样本结合训练角度出发,在多场景的兼顾上寻求突破。主要工作包括:(1)针对快速运动和背景混乱等场景,本文提出了一种基于掩码的相关滤波跟踪算法。首先,对于相关滤波循环移位而引发的边界效应问题,本文根据首帧目标信息提取出的掩码矩阵对训练好的相关滤波器进行处理。其次,对于背景混乱场景下容易出现目标漂移的问题,本文使用掩码处理样本,然后采用掩码处理后的样本训练相关滤波器。最后,对两种相关滤波器的检测响应图进行线性结合,以最大响应位置作为估计的目标位置。(2)为了使空间正则相关滤波跟踪算法适用于多种场景的跟踪环境,本文提出了一种扩展至多场景的边界效应抑制相关滤波跟踪算法。首先,考虑到空间正则相关滤波跟踪算法在背景混乱、遮挡等多场景中跟踪效果不佳的问题,本文提出了适应于多场景的跟踪部件。然后将此部件融入空间正则相关滤波跟踪算法,并提出更快的训练算法。本文将上述两方法在数据集OTB-2013、OTB-2015上和当前几种跟踪性能较好的跟踪算法在精度、成功率和平均重叠率三种指标上进行了分析。实验结果表明,本文中所提出两种目标跟踪方法是可行的,并且对于快速运动、背景混乱、目标形变、遮挡等多种跟踪场景具有很好的准确度。