目标跟踪在计算机视觉领域扮演着重要的角色,在无人驾驶、无人机、行人追踪、智能监控等方面应用广泛。由于目标跟踪过程中会出现背景相似、快速运动、尺度变换、遮挡等干扰因素,目前视频跟踪算法的研究仍然存在难点和挑战。准确捕捉并定位目标,并自动适应跟踪目标的尺度变化,是当前视频跟踪领域的一种主流策略。本文以匹配滤波方法为主线,在分析对比经典匹配跟踪算法与深度学习匹配框架的基础上,针对单目标视频在线跟踪,进行了以下研究:1.传统的孪生跟踪网络(Siamese Networks)不能实时更新参考模板,在目标出现快速变化时容易跟丢目标。为此,提出一种新的多类动态Siamese跟踪网络(MCDSiam),创新体现在三个方面:1)使用最小均方误差方法得到参考模板和当前跟踪目标之间的相关性,并将多帧相关滤波后的参考模板进行保存,在目标跟踪时根据多帧目标特征间的欧氏距离进行动态分类更新;2)设计了一种独立的尺度滤波器来估计目标尺度的变化,可以快速应对目标的大尺度变换;3)利用动态的高斯窗抑制目标模板中的背景信。MCDSiam与等主流算法在OTB-2015数据集上进行了比较,实验结果表明MCDSiam在实时跟踪的前提下能达到更好的跟踪性能。2.传统的判别式相关滤波器(DCF)跟踪算法使用包含背景信息的矩形框去划分目标,容易受目标周围多余的背景杂波影响。为此,提出了一种新型的掩模目标模板式相关滤波跟踪算法(MMPT),可以突出目标的结构信息,提高跟踪的鲁棒性。首先,使用MCG(Multiscale Combinatorial Grouping)分割算法提取跟踪目标的边缘轮廓,并通过填充方式,制作出目标的精确区域模板作为训练样本。其次,将掩模后的目标区域按其像素间的特征相似性分成超像素块,通过计算相邻两帧间同一属性超像素块质心点的平均偏移量,来调整预测目标框的长宽比,以估计到更加完整的目标尺寸范围。最后,对目标样本的更新方式进行优化,当视频中目标受到遮挡干扰时,算法以此时滤波响应图中多个峰值点作为原点,生成多个候选目标区域和第一帧目标进行匹配,从中选出最佳区域作为当前目标。经公开视频序列的性能测试,并与其他主流目标跟踪算法进行比较,结果表明MMPT算法在跟踪精确度和成功率方面性能优异。