计算机视觉领域飞速发展,而图像的目标跟踪作为计算机视觉领域的一个热门学科研究方向,它研究内容是在图像视频中,可以准确的确定目标位置信息而不需要识别目标是什么。当前已经广泛的应用在国防领域、智能视频监控、无人驾驶、人机交互等领域。近几年,目标跟踪算法发展迅速且种类繁多,但是也存在着很多挑战和需要解决的问题,例如在目标跟踪过程中经常会受到目标的尺度变化、形状改变、快速运动或者目标被遮挡等内、外因素的干扰。针对这些干扰因素在跟踪过程中造成的错误结果,本文在种类繁多的目标跟踪算法中选择相关滤波跟踪算法作为研究对象去解决此类问题。本文的主要工作和创新点有以下几个方面:(1)本文研究了传统相关滤波的跟踪算法原理和与相关滤波有关的跟踪算法的思路、优点以及到未解决的问题。并且选取相关滤波和深度学习两大类跟踪算法中的多种优秀的算法,按照解决常见问题的时间顺序进行介绍;通过复现算法实验分析得出结论。(2)针对在跟踪过程中运动目标在遮挡、尺寸变化等干扰下不能有效跟踪的问题,提出了特征融合的尺度估计颜色名跟踪算法。该算法首先运用自适应融合CN颜色特征和LBP纹理特征,并且利用特征融合后的最高输出响应作为预测目标位置信息;然后利用尺度滤波器对预测到的目标信息做出最优的位置信息;最后结合响应图的峰值旁瓣比,对目标模型做出更新调整。将改进算法在OTB-2013视频集中和其它跟踪算法做对比试验,试验结果表明,改进算法在尺度适应性和遮挡方面优于大部分算法。(3)针对大多数目标跟踪算法在长时跟踪过程中目标遮挡、形变等干扰属性导致不能有效跟踪的问题,提出一种基于相关滤波-粒子滤波协作的长时目标跟踪算法(CFPE)。首先相关滤波器中目标特征表达采用融合CN特征和HOG特征,增强在复杂情况下的目标描述能力;然后通过平均峰值相关能量(APCE)指标和最大响应值对当前检测到的目标位置做出判断,并且决定滤波器模板是否更新或者重新检测目标位置;最后在OTB100和UAV123视频集中和近年来优秀的跟踪算法做对比试验,试验结果表明,CFPE具有稳定长时跟踪和实时性,并且在形变和遮挡方面优于大部分算法。