目标跟踪任务是计算机视觉领域一个重要的研究方向,旨在一个单视角场景中,对指定的移动目标持续的跟踪,提供其位置和尺度信息。目标跟踪技术广泛应用于军事、交通、监控等视频流应用中,具有很强的研究意义。其中,基于判别式的相关滤波算法在目标跟踪领域飞速发展,该方法通过设计一个滤波模板,利用滤波器与上一帧目标搜索区域做相关运算,然后不断更新滤波器得到最大响应点实现目标跟踪。近几年,相关滤波算法性能的提高主要归功于强大的特征表达能力和复杂的学习公式,深度特征的使用,赋予了跟踪器更强的目标外观提取能力。然而这些特征却引入了较大的参数量。同时,由于相关滤波目标跟踪任务始终存在训练样本匮乏的固有问题,训练样本数远远小于模型参数量,造成了严重的参数过拟合,进而影响跟踪性能。为了解决参数过拟合问题,本文分析了池化层在深度网络中具有降低参数量和减弱模型对目标形变敏感性的优点,从而缓解参数过拟合并且增强跟踪器鲁棒性。基于这些原因,本文借鉴了池化操作的概念,并分析了两种不同的池化方式在样本提取的优缺点。其中,基于感兴趣区域池化方法通过在训练样本上做池化,可以大大增加生成的样本数,从而优化模型参数和训练样本数的比例,达到了提高跟踪器性能和对目标形变场景下跟踪器鲁棒性的目的。为了提高跟踪速度,本文通过主成分分析法对模型进行降维减重,运用一组维数更低但是表达力较强的特征向量,最大化保留目标外观信息,优化特征模型。尽管基于感兴趣区域的池化方法适用于缓解参数过拟合问题,但是无法直接应用于相关滤波框架中。因为在相关滤波中训练样本是由循环矩阵模拟生成的,并不是真实样本。本文是第一个在相关滤波框架下对池化方法建模的算法。首先,本文通过数学推导,证明对目标函数增加约束条件可以作为上述池化操作的等价替换形式。其次,本文构建一个索引矩阵,约束每个池化核中参数局部一致性,有效地缓解参数过拟合问题。最后,本文提出一个联合优化公式,采用共轭梯度法对拉格朗日乘子和滤波器参数交替迭代优化,对模型进行高效求解。本文算法在多个公开跟踪数据集上进行测评,并与多个领先的相关滤波跟踪器进行对比。通过大量的定量和定性分析实验,证明本文算法具有较强的竞争力。