随着互联网技术的迅速发展,以机器代替人脑的思想愈来愈深入人心,大力发展人工智能技术已经是大势所趋。而目标跟踪技术能够自动识别目标的运动轨迹和行为特点,受到专家学者的广泛关注,是模式识别领域的重要研究课题之一。目标跟踪技术已经被应用于智能驾驶、军事制导等诸多领域,成为一项惠国惠民的新型技术。但大多数目标跟踪算法都难以克服目标形变、光照变化、目标遮挡等跟踪难点,导致目标跟踪技术难以普及。本文旨在解决和改进现有目标跟踪技术在复杂环境下跟踪准确率低、实时性差的问题,在查阅学习大量文献的基础上,研究了现有目标跟踪算法的性能优势和技术缺陷,并针对一种相关滤波算法循环核结构（Circulant Structure with Kernels,CSK）在准确率、目标个数和目标尺度变化三个方向分别提出了改进策略,提出了四种改进算法。本文首先讨论了 CSK算法在目标跟踪失败后难以继续精准跟踪目标的问题,进而针对CSK目标跟踪算法在目标丢失后不能重新检测到目标的问题,在CSK算法中加入检测模块,提出了一种基于检测的CSK目标跟踪方法,设计了一种基于检测的CSK目标跟踪系统。该系统对于复杂场景下的目标跟踪具有更广泛的适应性。通过实验对比,验证了所提方法的有效性。然后针对CSK算法只能跟踪单一目标的问题,探讨了高斯混合模型的多峰特性,将高斯峰值与目标输出响应一一对应,提出一种基于高斯混合模型的CSK多目标跟踪算法;此外,本文还研究了各目标跟踪过程的独立性,提出一种基于结构化的CSK多目标跟踪算法,并对这两种算法进行了实验对比分析,验证了所提算法在多目标跟踪方面的有效性。最后针对CSK目标跟踪算法对目标尺度变化的适应性较差的问题,讨论了目标分块方法,通过空间结构推导出目标子块位置与目标尺寸的数学关系,并以此为基础提出了一种基于CSK的尺度自适应目标跟踪算法,通过实验对比分析验证了所提方法的有效性。