目标跟踪是计算机视觉领域一个重要的研究方向,它包含图像处理、模式识别、人工智能等许多方面的前沿技术。目标跟踪目前主要应用于视频监控、人机交互、无人驾驶、智能交通、国防建设等领域。跟踪任务中需要处理复杂的外界环境以及目标自身的形变,由于存在这些因素,往往导致跟踪任务失败,因此如果针对视频中出现的这些问题,找到一种鲁棒性较高的跟踪算法,具有重要的研究价值和广阔的应用前景。近年来,基于相关滤波器的目标跟踪算法取得了很大进展,该方法通过循环矩阵的性质扩充样本数量,利用目标及其周围的背景区域在线训练分类器,并将分类器的训练和目标检测过程通过FFT转换到傅里叶域中计算,大大加快了运算速度,因此这类方法跟踪效率很高,并具有很好的拓展性。本文通过分析原有相关滤波器跟踪算法存在的缺点进行相应改进,主要贡献有两点:(1)提出一种基于目标增强自适应模板更新的跟踪算法:首先从HOG特征原理出发,根据HOG特征主要存在于目标边缘区域这一特性,提出一种目标边缘特征增强的方法,使目标的特征表现能力更强。另外针跟踪过程中目标模板不能随目标外观变化调节不同帧所占权重的问题,提出一种通过衡量目标响应强度PSR大小自适应调节当前帧模板权重的方法,使模板更有效,从而提高跟踪效果。最后选取具有代表性的15段视频进行实验,本文方法相对于KCF跟踪算法平均距离精度提高了21.62%,平均成功率提高了7.55%,平均中心位置误差减少了9.6像素。实验结果表明本文算法在光照变化、目标遮挡、旋转变形、快速运动等情况时具有较强的适应性。(2)提出一种基于自适应特征融合的多尺度目标跟踪算法:首先针对传统相关滤波器跟踪算法在特征融合时无法根据图像的不同特点改变不同特征权重的问题,提出一种利用颜色信息熵进行特征融合方法。通过计算颜色信息熵来衡量图像包含颜色信息的多少,从而自适应改变颜色特征的权重。其次从目标尺度更新角度出发,针对以往算法仅通过一帧进行尺度检测导致错误估计目标尺度的问题。本文通过构建贝叶斯估计模型,以先前帧尺度为中心构建高斯函数作为先验概率,当前帧响应大小作为观测值,通过最大化后验的方式求解目标尺度大小。本文在benchmark2013和benchmark2015数据库上进行实验,该方法相在精确度和成功率上均有显著提高。