在跟踪的过程中存在着诸多的挑战因素,而这些挑战因素往往会导致算法的跟踪性能远不如预期。为了实现准确、鲁棒的跟踪,本文结合了近年来的一些优秀算法,在相关滤波框架和深度特征的基础上针对跟踪过程中的一些不足,做了以下一些工作:为了解决跟踪过程中的漂移问题,本文提出了一种基于快速多尺度估计的重新检测目标跟踪算法。在跟踪过程中,跟踪器通过目标的最大响应值确定目标的位置,并且通过一个新的自适应检测指标检测当前位置的可靠性。不同于其他检测指标的是,新的检测指标减少了对最大响应值的依赖。若检测出当前帧的位置不可靠,本文方法可以通过Edge boxes方法产生一系列的目标候选框,并通过非极大值抑制方法选出最优目标位置。此外,提出了自适应更新的方法来减少由于跟踪失败导致的误差。实验结果表明,本文提出的基于核相关滤波框架的重新检测算法在OTB数据集的精确度和成功率方面都取得了预期的效果。为了充分利用不同特征的优势,并探究多个特征之间的关系,本文提出基于核相关滤波的多线索目标跟踪算法。将卷积神经网络的Conv4-4、Conv5-4层特征和HOG特征通过排列组合的方式构成多个专家跟踪器,从而可以提高模型的多样性。同时算法提出了双评价机制,从而可以更加准确地选择出专家们产生的最佳线索。此外,将产生的最佳线索通过自适应更新的方式来更新所有的专家们,从而可以缓解弱跟踪器的跟踪漂移情况。在OTB数据集中的实验表明,本文提出的多线索目标跟踪算法对比于一些其他算法有良好的鲁棒性。