目标跟踪作为近些年来的热门研究方向,吸引了许多研究者的目光,其在许多方面有着十分广泛的应用如汽车自动驾驶、安防监控系统、人机交互、军事领域。然而在实际的视频跟踪场景中有着非常多的挑战,面对着非常多复杂困难的场景如运动目标快速运动、目标被其他物体遮挡、相似的背景影响等。正是因为在这么多的困难场景下,使得我们获得一个可靠、稳定的跟踪器变得十分的困难,同时这也引起了研究者们的兴趣。在这些众多的研究方向中,基于相关滤波的跟踪方法在应对各种有挑战性场景的目标跟踪中取得了很好的效果,但是面对复杂的实际场景其也有很多不足待研究改进的地方。在本文中,通过详细的研究相关滤波类跟踪算法的优缺点,提出了多尺度特征融合时空正则化相关滤波跟踪方法和多跟踪器相关滤波跟踪方法如下:（1）针对目标跟踪中遇到的尺度变化、边界效应等问题提出了一种多尺度特征融合时空正则化相关滤波跟踪。在实际的跟踪场景中,我们经常会遇到因为目标远近移动带来的目标自身尺度的变化,这使得跟踪的性能出现了下降,为此我们提出了一种尺度自适应的目标跟踪算法。对于目标的表观特征方面,我们在相关滤波算法的基础上进行了多种特征的融合处理,提升跟踪算法在各种场景中的鲁棒性。针对相关滤波跟踪算法中的边界效应问题,我们采取了时间和空间上的正则化处理方法,通过减少实际场景中的目标背景的影响,使得训练器可以获得更多的真实样本进行训练。为快速的求解相关滤波器的目标函数,采用了ADMM这种优化求解方法,提高了运算速度,优化了算法的跟踪性能。最后,对于整个算法的模型更新方面,加入了一种间隔更新模块,一定程度上减少跟踪目标的漂移现象,有效的减少模型每帧都更新带来的计算负载压力。（2）针对单一跟踪器难以满足各种复杂场景跟踪要求的问题提出了一种多跟踪器相关滤波跟踪。通过灵活的切换不同的跟踪器来应对不同的跟踪场景,有效的解决了单个跟踪器不稳定的问题。通过这种决策级融合方法可以有效的增强跟踪算法的鲁棒性。多跟踪器跟踪算法保留了各个专家的跟踪线索,通过自我评价和相互评价机制综合选出可靠的专家进行跟踪。同时算法中也应用了多尺度变化策略及间隔更新模型方法,提升了算法的跟踪效果。