计算机视觉一直以来都是一个热门的研究领域,近年来,得益于人工智能的飞速发展,这一领域取得重大突破,尤其是在图像识别、目标检测等领域的成绩更为突出。然而,不同于较为成熟的图像识别和目标检测,已经应用在许多现实场景中,目标跟踪领域虽然提出很多优秀的算法,取得差强人意的发展,但要满足实际应用的需求,仍存在诸多问题亟待解决。由于目标跟踪使用的视频序列拥有时间维度,在此过程中将面临如光照变化、物体形变、尺度变化、遮挡、出视野等不确定因素,这也成为研究目标跟踪算法要克服的难点。论文对基于相关滤波的跟踪算法和基于神经网络的跟踪算法进行了分析,提出一种基于特征补偿的跟踪算法,将基于相关滤波和基于神经网络的两种算法通过一个逻辑回归分类器结合,以解决前者复杂场景中效果不佳、长时间跟踪容易污染模板和后者速度过慢的问题。在简单的视频场景中使用简单且快速的特征,在复杂的视频场景中使用表现更为优秀但速度慢的卷积高层语义特征。首先,本文建立了以颜色直方图和方向梯度直方图为特征的相关滤波模型,以提升算法针对目标产生颜色和形状变化时的鲁棒性,以及算法速度;随后,建立一个神经网络跟踪模型,使用卷积神经网络提取高层语义特征,使算法能够适应复杂的目标跟踪场景,从而提升算法定位目标的精度和鲁棒性;最后,构建一个简单的分类器来进行模型切换,使算法在简单场景下使用颜色和方向直方图特征,在复杂场景下使用高层语义特征,从而使算法在实时性、跟踪精度和鲁棒性方面都得到有效提升。另外,分析了分类器的训练数据中存在的问题,提出了合理有效的解决方式,使分类效果更加出色。