视觉目标追踪是计算机视觉重要研究领域之一,算法通过考察连续视频帧中目标的上下文信息,对被追踪目标的运动信息进行建模,然后基于所建立的模型对目标运动状态进行预测,并定位目标的位置。近年来,随着计算机技术、图像与视频处理技术及人工智能技术的迅速发展,视觉目标追踪广泛应用于智能视频监控、智能交通系统、智能视觉导航等领域,具有广阔的应用前景,已成为人们生活不可或缺的重要组成部分。基于相关滤波的追踪在速度和准确率上的性能取决于目标特征的表征,而深度神经网络具有强大的特征表征能力,所以将二者相互融合,并构建基于深度特征和相关滤波的位置、大小和角度的多模态追踪模型应该是视觉跟踪领域的发展趋势之一。本文针对基于相关滤波的视觉追踪算法、深度特征提取神经网络的学习方法以及基于深度特征和相关滤波的多模态追踪模型开展研究,主要工作如下:（1）基于经典的相关滤波追踪算法,一方面对追踪精度和速度二者之间的权衡策略展开研究,提出在保证追踪精度的前提条件下提高追踪速度的算法;另一方面,对具有旋转变化的追踪目标展开研究,提出了旋转目标追踪算法,并设计了基于手工特征提取的,能够同时追踪目标位置、大小、角度的实时追踪算法。进行了相关实验研究和结果分析。（2）在分析了基于相关滤波的无监督深度追踪网络（UDT）的局限性后,提出基于图割、全局对比度显著性检测和GrabCut的改进UDT特征提取网络的训练方法,能够从视频帧中自动地选择显著性目标区域,进行无监督特征网络训练;提出了降低基于图割、全局对比度显著性检测和GrabCut算法复杂度的方法,使其在无需人工参与情况下能够在一帧无标注视频图像中自动标注多个显著性目标,为无监督特征提取网络的进一步训练完善提供丰富的标签数据。对上述方法进行了相关实验研究和结果分析。（3）将上述（1）、（2）两部分内容进行高度融合,对基于深度网络和相关滤波的多模态追踪算法展开研究,设计并实现了基于深度网络和相关滤波的多模态（位置、尺度、角度）追踪集成算法;用（2）提出的自动标注方法构建了训练数据集,并在此数据集上进行了特征提取网络的训练;将追踪集成算法在OTB2015数据集上进行了相关的实验研究和结果比较分析。