在目标跟踪领域,运动目标在跟踪过程中会遇到形变、遮挡或出现相似物体干扰等各种复杂情况,这些都是跟踪技术的难点。针对这些问题,目标跟踪技术不断完善、发展,相关滤波跟踪算法因为其快速跟踪特点和跟踪精度优势被广泛应用。本文主要对目前一些主流的传统相关滤波算法进行研究,通过分析其存在的缺陷以改进。在构建目标外观模型时,传统的相关滤波算法采用梯度直方图、颜色、纹理等特征描述目标信息,这些特征缺少目标语义信息,难以应对复杂环境。在相关滤波算法中,特征是决定跟踪效果的重要因素之一,特征的进一步发展为卷积特征。最近,一些研究人员利用卷积神经网络提取卷积特征与相关滤波相结合,克服了传统特征信息不足的缺点。在本文中,我们对VGG-19网络中多个卷积层进行分析,根据高层和低层卷积特征的互补特性,选择第一和第五卷积层作为特征提取层。利用卷积特征学习得到两个不同的相关滤波器模型,然后对相关卷积响应依据APCE(Average Peak to Correlation Energy)测量方法计算卷积响应权重值,自适应加权融合响应图以确定目标最终位置。在跟踪过程中,目标常常发生尺度变化,本文通过对加入尺度估计的算法进行研究,使用图像金字塔原理估计目标尺度。在利用卷积相关响应确定位置后通过提取目标多个尺度的方向梯度直方图(Histogram of Oriented Gradient,HOG)特征估计目标最佳尺度。实验选取公开测试视频集中具有一定挑战性的视频序列与其他跟踪算法进行对比,在复杂情境下表现依然鲁棒。