目标跟踪技术是人工智能视觉领域和图像处理领域的热门研究课题,在智能视频监控系统,智能交通系统,基于视频的人机交互系统,智能视觉导航系统,现代化军事,医疗影像等方面有着广泛的研究和丰富的应用场景。目标跟踪是这样一个过程:首先给定第一帧中的目标,之后通过目标跟踪的算法来自适应对物体位置和尺度进行估计。在跟踪的过程中,跟踪场景的复杂性以及目标自身的变化性都为跟踪带来了巨大的挑战。受启发于很多优秀的跟踪算法,本文从传统的相关滤波以及现在流行的深度学习两方面介绍本文的目标跟踪算法。判别相关滤波的方法在目标跟踪领域表现出了优异性能,而特征描述子的选择对其有重要影响。以往的判别相关滤波器通过多通道以及多尺度的特征融合取得显著的效果。但是不同的特征对环境的描述能力不同,若将每个特征通道给予相同的置信程度,则可能会限制一些特征的表现能力。鉴于此,本文提出了一种能够对每帧图像自适应进行通道加权的改进C-COT算法。本文通过平均峰值相关能量(APCE)来评价每一特征通道对应的响应图,并以此来引导目标外观模型为不同滤波赋予不同权重,进而得到最终的加权特征响应图,并以该响应图的峰值来定位目标。此外,C-COT算法采用连续学习策略,每帧进行模型更新。这种过度更新策略会导致模型的过度拟合以及速度的降低。因此,考虑到降低样本的冗余度和提高训练样本质量,本文采用峰值旁瓣比(PSLR)的改进方法来进行模型更新。基于度量学习的单目标跟踪在性能提升上仍然具有空间和潜力。本文提出了端到端的深度度量网络目标跟踪算法DMN。该算法可以联合学习深度特征嵌入和距离度量,直接在跟踪结果产生标量相似性。此外,本文又提出了适应于该任务的损失函数。通过联合损失函数训练,DMN可以在第一帧中的实例初始化之后简单地应用于任何新的序列。根据DMN的标量输出和平滑的运动约束,将得分最高的候选框作为目标对象的最佳位置。在实验部分,本文通过消融实验来验证各部分的有效性,通过在OTB-13和OTB-15上进行的实验表来与其他算法作对比。实验结果表明,本文的提出的两个算法获得了较好的精度提升,尤其在一些特定视频环境中有明显提升。