目标跟踪是计算机视觉领域中的一个研究热点,在实际生活中有着广泛的应用前景。在目标跟踪领域中相关滤波是当前主流的研究框架之一,在该框架下,许多学者提出了很多优秀的跟踪算法,解决了目标跟踪的基本问题,同时也具备较好的精确性。但是在实际应用中,仍会面临很多挑战,比如光照变化、目标遮挡、尺度变化等。针对这些挑战,本文主要在前人工作之上,从特征提取和模板更新这两个模块入手对跟踪器进行改进。论文主要工作如下:(1)在特征提取阶段,针对固定权重特征融合的相关滤波跟踪算法在特定场景下跟踪失败的问题,提出了一种采用响应图置信区域实现自适应特征融合的相关滤波跟踪算法以提高算法的鲁棒性。首先根据响应图峰值状态,将特征响应图中响应值大于响应值期望的区域称为置信区域,进而根据该置信区域计算出HOG特征的融合权重和颜色直方图特征的融合权重。该方法实现了两种特征的自适应融合。特别地在光照变化、尺度变化等场景下性能更佳。(2)在模板更新阶段,针对逐帧更新策略下目标被遮挡后继续更新模板会带来模板漂移进而导致跟踪失败的问题,提出一种高置信度模板更新策略的相关滤波跟踪算法以提高算法的鲁棒性。根据最大响应值序列变化率的波动情况判别当前结果的置信度。当变化率的随机误差大于3σ时,认为目标发生形变或被遮挡,此时停止模板更新,避免分类器学习到错误样本。当变化率的随机误差大于4σ时,认为此时模板被污染,需将当前模板回溯到置信模板以保证模板的可靠性。根据上述方法实现了高置信模板更新策略,克服了短时遮挡的干扰。针对以上算法,本文基于OTB-100基准数据集中100个视频分别进行了实验分析。实验结果表明,在光照变化和尺度变化场景下,自适应特征融合算法优于其他几种主流的跟踪算法;在遮挡环境下,高置信模板更新策略算法进一步提高了跟踪器的性能。