在生活智能化发展的时代背景下,智能化产品在各个领域涌现。而智能化的发展离不开计算机视觉的支持。目标跟踪是计算机视觉领域最基本的研究分支。其在智能交通、人机交互、智能医学诊断等领域中具有重要的研究价值。目标跟踪目前主要分基于相关滤波的目标跟踪算法和基于深度学习的目标跟踪算法。虽然在两类研究方向中都有许多较好的跟踪算法,但目标跟踪在实际应用中仍存在许多难点和挑战。在跟踪过程中诸如光照变化、运动模糊、背景杂乱、遮挡等许多外部因素都会对目标的定位造成干扰,同时目标自身也会对跟踪进行干扰,如目标的尺度变化、姿态变化、形状变化。本文针对背景杂乱和遮挡干扰问题,以特征融合的方式使跟踪器在背景杂乱的干扰下能更好的定位目标,展开了基于自适应特征融合的目标跟踪算法研究。1)在实际的跟踪过程中目标所在环境可能比较复杂,可能会出现与目标相似的区域对目标的定位造成干扰,如背景中存在与目标纹理特征相似或与目标颜色特征相似的干扰项。对于这类问题,提升特征的表达能力是有效的解决办法。考虑到卷积神经网络提取的深度特征有强大的表征能力,因此本文在基于相关滤波的高效卷积滤波器的跟踪算法上,以VGG网络提取目标特征,并进行加权特征融合,以解决背景复杂对跟踪准确性的干扰。算法采用VGG-M的前五层卷积层提取的特征用于特征融合,提高特征的表达能力,使特征能在不同的环境因素干扰下仍然可以准确定位目标。另外考虑到不同特征在变化的环境中有不同的表达能力,以及特征融合带来的计算量的增加。为了能达到实时的跟踪效果,选择两层特征进行加权融合,以达到更好的跟踪效果。通过在OTB-2015数据集和Temple color 128数据集上进行实验并与其他算法对比,实验结果证明改进的特征自适应融合的算法成功率较高于对比算法,并能保证一定的跟踪速度。2)长时间进行目标跟踪过程中不可避免的会出现目标被遮挡的情况。遮挡会造成目标信息的损失,而跟踪就是通过足够的目标信息来进行定位,一旦遮挡造成目标信息缺失会对跟踪造成影响。若在遮挡时滤波器进行更新把错误信息引入模板,学习到的错误信息会造成跟踪出现偏差,滤波器的不断更新可能会使越来越多的错误信息引入模型,造成跟踪漂移的现象,严重时会造成目标的丢失。针对短时间遮挡这一问题,提出一种遮挡检测机制。在跟踪过程中首先初步检测是否出现遮挡,当出现遮挡时置信响应值会产生变化以此初步判断是否出现遮挡。在这一基础上结合LBP特征对形变不敏感的特点进一步判断置信度变化率的改变是因为遮挡还是自身形变造成的。若出现遮挡时,不对滤波器进行更新。经实验证明,增加遮挡检测的算法在遮挡问题上跟踪精度和成功率有所提升,有更好的跟踪效果,更加稳定。