近几年来,目标跟踪领域发展迅速,尤其是在深度学习以及相关滤波方法上出现了很多优异的算法。但这些算法目前还存在着一些问题,本文基于深度学习和相关滤波的跟踪方法进行了深入研究。主要工作如下:采用目前比较流行的卷积神经网络提取特征,提出一种基于多层深度特征的自适应更新目标跟踪算法。用深度特征作为目标的外观表达,并且结合了深度网络的浅层空间特征与高层语义特征,分别训练两个跟踪滤波模板,最后结合两个滤波模板的跟踪结果得出最终的目标位置。算法中设计了对目标外观模型和滤波模板的自适应更新方案,能更好地适应目标的外观变化以及遮挡问题。针对传统相关滤波算法对样本循环移位可能产生的样本信息损失问题,以及为了更好地利用到先验训练样本的所有有用的信息,提出一种自适应连续样本权重滤波模板的跟踪算法。在回归优化计算中加入了滤波器模板的权重参数以及训练样本的权重参数,设计联合训练框架,同时训练得到滤波模板和样本权重,这样采用自适应的样本权重能更好地利用样本信息,获取更准确的滤波模板,从而更好地实现跟踪。并且采用多特征的联合稀疏表达方式,融合了目标颜色以及梯度纹理特征的优点,实验证明该算法比传统的相关滤波算法跟踪结果更准确,尤其是对于一些快速运动以及目标发生旋转的视频能更好地实现跟踪。在跟踪中除了采用相关滤波等训练模板的方法实现跟踪之外,用分类的方法进行跟踪时,传统的样本选取会产生多次计算,并且质量不高,不利于后期进行分类。针对这些问题,提出一种基于卷积神经网络的跟踪框架,创新性地提出在特征图上直接提取样本,大大降低了特征提取的计算量,并且将目标框的尺寸作为参数进行回归学习,训练得到更符合目标大小的目标框。整体跟踪框架是采用卷积神经网络实现的,并且采用视频数据集进行训练,实验结果也充分显示了卷积神经网络的优越性。