目标跟踪是指在一段连续的视频序列中,基于首帧的目标框信息获取随后帧中跟踪目标位置,进而得到整个视频序列中目标的运动轨迹。随着人工智能技术进步和人类需求的不断提高,目标跟踪在安防监控、人机交互、无人驾驶、机器人等领域取得了日益广泛的应用。相关滤波类目标跟踪方法因其速度快、实现简单而广受关注,但受限于复杂跟踪场景中的目标外观变化、运动模糊、相似背景干扰、遮挡、快速运动等因素,目标跟踪在实际应用过程中仍存在诸多问题,在干扰情况下的跟踪精度也需进一步提高。本文重点解决相关滤波框架下目标跟踪中的模型更新、特征融合、多尺度搜索以及与深度学习方法相结合等问题,主要研究内容如下:①提出了具有背景意识的鲁棒目标跟踪算法,旨在解决由样本循环移位所造成的边界效应问题,同时提高跟踪精度。在改进后的跟踪算法中,采用在真实背景中进行采样的方式进行样本生成,不仅能够避免边界效应问题,而且可以扩大目标搜索范围、增强模型判别能力。提取的具有互补性的方向梯度直方图特征和颜色名特征,在充分表达跟踪目标视觉信息的同时,还能显著提高跟踪算法精度。此外,引入一种基于尺度金字塔的目标多尺度估计策略,旨在解决跟踪过程中物体的尺度变化问题。通过在公共数据集上与其他先进算法进行对比,验证了所提目标跟踪算法的有效性。②提出了一种基于分层卷积特征的改进型目标跟踪算法,重点解决目标跟踪过程中的特征提取、模型更新、目标重检测问题,同时实现更加精准快速的跟踪。在改进后的跟踪算法中,利用不同卷积层对跟踪目标进行特征提取,不仅能实现准确目标定位,还能将目标从嘈杂背景中分离出来。此外,为了改善模型逐帧更新方式,设置合理的响应阈值对目标受遮挡程度进行评估。当模型响应值较高时,认为跟踪结果可靠,采用更加简便有效的模型更新方式;当模型响应值较低时,认为跟踪结果不可靠,需要启动目标重检测机制。通过在公共数据集上进行对比实验,验证了所提跟踪算法的有效性。本文最后对全文的工作进行总结,并对该课题未来发展方向进行展望。