目标跟踪的算法实现在智能视觉信息处理系统设计中占有重要地位,而研究出简洁高效的相关滤波目标跟踪算法更是重中之重。本文主要的研究对象为非弱小、非刚性且可跟踪的变形目标,研究重点在于可见光视频下目标出现形变时,如何提高算法的多场景适应性和精确度。不同于目标平移或者尺度放缩,目标变形属于高维度的图像变换,因此基于模板特征的相关滤波算法不能很好地预测出下一帧目标形变的具体情况。本文主要研究内容如下:（1）研究了目标的视觉表征方法:本文研究了基于人工特征（Handcrafted Feature）和深度特征结合的运动目标表征方法,以及人工特征与深度特征相融合的策略,帮助提高了算法的特征表述能力;并结合了目标和模板的相似性（Similarity）以及非背景性（Objectness）的信息,利用卷积神经网络构建了目标特征模板更新策略的框架,以便于有效维护可靠的目标特征模板。（2）研究了相关滤波时空正则项:本文系统性地分析研究了相关滤波算法的时空正则项,针对变形目标外观特征易变的特点,设计出适合变形目标的时空正则项。具体来说,本文使用松弛L0范数对相关滤波器的空间注意力进行建模,使得相关滤波算法更加关注于对目标较为可靠的区域进行跟踪,算法效果在OTB100、VOT2016以及La SOT数据集上进行了测试。（3）研究了在相关滤波中结合精确外观估计模型的目标跟踪算法:目标粗略的定位估计功能由相关滤波算法实现完成,目标精确的外观估计功能由深度分割网络完成,二者相结合形成了本文中这种通用目标跟踪框架。通过相关滤波跟踪响应、前景概率估计以及深度分割任务学习算法的结合,目标外观估计精度已达到了像素级的水平,算法效果在OTB100、VOT2016以及DAVIS2017数据集上进行了测试。（4）设计了一款用于视频目标跟踪的软件,具体工作包括有软件架构设计、软件界面设计、算法接口设计,以及软件功能测试,并通过自定义的四个技术指标对部分跟踪算法进行效果测试。