作为计算机视觉领域的一个主流方向,目标跟踪具有重要的研究意义和广泛的商业价值,越来越引起计算机视觉研究者的密切关注。近年来,在国内外研究人员的努力下,以相关滤波和深度学习方法为代表的高水平目标跟踪算法不断被提出,但当目标遇到光照变化、尺度变化、遮挡、快速运动等复杂情况时,快速精确地跟踪目标仍然具有很大挑战。由于卷积神经网络具有优秀的特征表达能力,相关滤波中使用卷积特征替代手工特征,取得了良好的效果。本文基于分层卷积特征相关滤波器HCF,在特征提取、跟踪模型、多个跟踪器的融合处理等方面进行改进。本文的主要内容如下:(1)针对预训练的卷积特征在跟踪任务中存在冗余的问题,设计了一种目标感知模型,通过第一帧的目标信息,学习具有目标感知的深度特征,减少特征数量同时缓解模型过度拟合问题。(2)针对HCF在快速运动、快速形变和目标遮挡等复杂环境跟踪效果较差问题,提出基于特征融合跟踪框架。将特征图从频域隐性插值到连续域,每个特征分支在连续空间域中独立学习由一系列加入空间正则化连续滤波器组成的卷积算子。设计了一种自适应决策融合策略,自适应地融合不同分支的目标位置来定位目标。(3)由于缺少重新检测模块,HCF出现目标跟踪丢失后无法重新跟踪目标。针对HCF无法适应目标长时间离开视野的跟踪问题,提出基于分层卷积特征的长期跟踪策略。在原跟踪算法基础上加入由孪生网络组成的验证机制,及时纠正跟踪器,使跟踪器重新跟上目标,将跟踪结果可靠性作为反馈信息,指导滤波器的模板更新。