随着计算机视觉领域的快速发展,目标跟踪技术的研究作为其重要的研究方向之一也随着科技的浪潮取得了突破性的进展。红外目标跟踪作为目标跟踪领域之一,被广泛应用在视频监控、精确制导、单兵作战和无人驾驶等诸多方面,对比可见光目标跟踪能够不受光线昏暗和雾霾等环境干扰,有抗干扰性、隐蔽性和全天时等优点。但红外目标跟踪的研究不仅要应对跟踪中的诸多挑战如目标被遮挡、尺度变化和目标相似物等,而且还要应对红外图像由于信息量少,没有足够的特征模型和场景信息等问题。本文以核相关滤波知识作为理论基础,对于当前红外目标跟踪中的难点问题,在前人研究成果的基础上提出了多特征核相关滤波的红外目标跟踪算法。本文的主要工作和创新性研究成果如下:1)从特征表达和模型更新的角度出发,提出了一种多特征自适应融合的核相关滤波红外目标跟踪算法。多峰检测和高置信度模型更新策略保证了目标的准确定位和防止模型漂移、模型被污染等问题,同时减少了模型更新次数,提升了算法的速率。以相对置信度计算特征融合系数,对不同的场景能够自适应的选择更相信哪个特征的置信度响应图谱。精细化尺度更新策略在尺度金字塔的基础上采用牛顿迭代法能够更准确的估计目标的尺度变化。实验表明该算法的精度明显优于当前流行的其它跟踪算法,并且速度能够达到80帧/秒。2)从卷积网络提取特征和特征融合的角度出发,提出了引入卷积特征的深浅层特征自适应融合的核相关滤波红外目标跟踪算法。采用对抗神经网络将大量的带有标注的可见光图像转换为类红外图像,以生成的类红外图像和真实的带有标注的红外图像训练ResNeXt新残差网络,得到的预训练模型用于跟踪算法中对红外目标卷积网络特征的提取。以卷积网络提取的深层特征和浅层特征(方向梯度直方图特征与灰度特征)融合,提出一种能同时反映准确性和鲁棒性的响应图质量评估方法,计算出自适应融合系数,完成深层特征和浅层特征的自适应融合,丰富目标的表达能力。深层特征对旋转和变形等外观变化具有不变性,跟踪的鲁棒性有很好的效果,而浅层特征主要包含目标的纹理和灰度信息,空间分辨率高,适合高精度定位目标,融合后互补深层特征和浅层特征各自的优势得到高精度和鲁棒的跟踪算法。