近年来目标跟踪算法取得了引人注目的成就,但由于实际跟踪过程中受到复杂场景众多跟踪难点的影响,目标跟踪算法仍具有较大的改进空间。因此,本文对基于相关滤波的目标跟踪算法进行改进研究,主要研究内容如下:(1)针对视觉目标跟踪在面临复杂场景应对能力不足,以及跟踪算法复杂度地日益增加实时性下降的问题。提出了一种基于融合特征的多尺度快速相关滤波跟踪算法,首先将目标的灰度特征、HOG特征与CN特征降维融合,构成特征矩阵,充分利用目标信息,提高特征表述目标的能力,然后采用主成分分析思想实时提取显著的特征,重构特征矩阵,对矩阵有效降维的同时训练位置相关滤波器,使其准确预测目标的位置,提高跟踪精度并确保较快的跟踪速度。最后利用融合特征矩阵训练尺度相关滤波器,进一步提升算法鲁棒性。实验结果表明,改进算法在复杂场景下跟踪精度高,鲁棒性好,跟踪效果良好,稳定跟踪目标同时体现了较高的跟踪效率,很好地兼顾了跟踪算法鲁棒性与实时性。(2)针对复杂场景下基于传统手工特征的相关滤波目标跟踪算法跟踪效果不佳和应对遮挡情况跟踪鲁棒性较差的问题。提出基于深度特征与抗遮挡策略的相关滤波跟踪算法,利用卷积神经网络提取目标深度特征,再将深度特征融入经典的相关滤波跟踪框架,充分利用深度特征描述目标能力强和相关滤波跟踪算法跟踪效率高的优势,同时采用高置信度更新的抗遮挡策略,更新相关滤波器,提升算法的跟踪精度与鲁棒性。此外,加入尺度估计模块,进一步改善算法跟踪效果。实验结果表明,所提算法在跟踪精度与成功率方面有较大幅度提升,跟踪效果良好,能够较好的应对各种复杂跟踪场景。本文针对复杂场景跟踪过程中面临的难点与挑战,对基于相关滤波的目标跟踪算法展开了深入的研究,并提出了相应跟踪问题的改进方法。实验结果表明,本文所提的两种算法能够较好的应对各种复杂跟踪场景,具有良好的跟踪性能。