近年来,基于相关滤波的视觉跟踪算法由于兼备精度和速度优势,得到广大学者的关注与研究,并且也取得了显著的研究成果。但其仍然面临外界诸多因素的干扰和挑战,如遮挡、光照变化、尺度变化以及快速运动等,这些因素将直接影响跟踪算法的性能。为了提升算法的精确度和成功率,本文主要对相关滤波算法进行分析和研究,充分利用其性能优势进行一系列的创新和改进,主要研究内容和创新点如下:(1)针对传统单一特征的目标跟踪算法不能较好地适应复杂场景变化的问题,在上下文感知相关滤波器基础上,提出一种自适应特征融合的多尺度相关滤波目标跟踪算法。该算法充分考虑多种特征性能优势互补的特点,提出了一种自适应特征融合的方法,实现目标位置的精确预测。为了提升算法的尺度适应能力,引入一种尺度判别相关滤波器实现精确尺度估计。另外,为了提高模型的更新质量,提出了一种自适应模型更新方法,通过预设响应阈值作为尺度滤波和位置滤波模型的更新判断条件,能够在一定程度上提升模型质量以及减少跟踪漂移问题。大量实验表明所提算法在精确度和成功率上均取得较为理想效果,而且在尺度变化、形变、快速运动、遮挡等复杂场景挑战下具有较好的鲁棒性。(2)为了解决目标在长期跟踪过程中遇到的遮挡、出视野以及尺度变化等外界因素干扰问题,提出一种基于时空上下文的长期相关跟踪算法。我们分别训练两种判别相关滤波器用于实现目标的长期跟踪,通过学习一种上下文感知滤波器用于目标位置估计,通过学习一种尺度判别相关滤波器从最佳置信结果中估计目标的尺度变化。另外,我们提出一种有效的模型更新策略以避免噪音更新引起的不可恢复性漂移,提出一种有效的重检测激活策略以提升长期跟踪失败下的鲁棒性。经过大量实验表明所提算法领先于大多数目前先进主流的跟踪算法。(3)为了提高跟踪算法对复杂外观变化的适应性以及增强分类器的判别性能,在上下文感知相关滤波器基础上,提出了一种基于时空上下文的超特征融合视觉跟踪算法,该算法将传统手工特征与深度特征进行有效结合,并提出一种自适应特征融合方法,实现目标位置精准预测。引入一种输出约束变换方法控制相关输出响应图服从高斯分布,以增强对目标外观变化的适应性。另外,我们提出一种有效模型更新和尺度应变策略以减轻模型污染引起的跟踪漂移,提高模型在快速运动、运动模糊、遮挡、出视野以及大幅度尺度变化等复杂场景下的鲁棒性。经大量实验验证表明所提算法要领先于目前大多数先进主流跟踪算法,并取得了较好的成功率,准确性和鲁棒性。