目标跟踪是计算机视觉领域的一个基础的、重要的且极具挑战性的研究方向。近年来,随着计算机硬件的高速发展以及性能优异的算法研究成果的出现,目标跟踪技术在商业、医学、军事等领域发挥着越来越重要的价值。然而由于目标被遮挡、目标发生形变、环境光照变化、背景中存在与目标相似的物体等干扰因素的存在,目前的算法在复杂场景下的跟踪表现并不理想。因此,本文针对复杂场景下的高鲁棒性目标跟踪问题,从基于相关滤波框架的跟踪算法和基于深度卷积神经网络的端到端跟踪算法两方面入手,进行了以下的研究工作:1.提出了一种基于核相关滤波框架的多特征融合的目标跟踪算法。该算法同时提取图像的HOG特征、CN颜色特征和Gray灰度特征,进行基于融合特征的跟踪。在多特征的融合策略上,选择基于响应图置信度的自适应融合。同时,引入一种改进的尺度自适应机制,以适应跟踪过程中目标发生的尺度变化。并且基于响应图的置信度及相邻帧相似度设置了一个学习率动态调整的机制,以减小错误跟踪结果对模型更新的影响。算法在OTB100数据集上的20像素阈值下跟踪准确率和平均跟踪成功率分别为0.796和0.596,表明其具有较高的跟踪鲁棒性。同时,对比实验也证实了该算法中设置的3项自适应调整机制的有效性。2.提出了一种基于双孪生网络的目标跟踪算法。该算法采用3路改造过的VGG-16网络对当前帧搜索区域、第一帧模板区域、上一帧输出区域进行特征提取,然后计算得到当前帧搜索区域与第一帧模板区域、上一帧输出结果的相似度分数图,然后基于自适应融合策略进行分数图融合,根据融合分数图进行目标定位。训练时,采用triplet loss损失函数进行模型训练以得到更好的模型参数。同时,增加根据跟踪结果置信度来动态设置第三路输入的机制,以提升模型的鲁棒性。算法在跟踪过程中不进行模型更新以提高实时性,同时也可以避免模型被错误的跟踪结果污染。对比实验中,算法在OTB100数据集上的20像素阈值下跟踪准确率和平均跟踪成功率分别为0.860和0.641,表明算法在复杂环境下的跟踪表现出色,具有较高的跟踪鲁棒性与先进性。3.基于本文中提出的两种跟踪算法,设计并实现了一个复杂场景下的视觉跟踪系统。系统采用南京理工大学自研的山蚁-30履带车作为跟踪平台,采用海康威视的DS-2CD2820F型摄像机作为视觉传感器,使用车载边缘计算设备执行跟踪算法。并以跟踪算法为主体设计了相应的跟踪软件。实际场景下的测试结果表明,本文提出的两种算法在复杂场景下,可以较好地克服场景中出现的干扰因素,进行高鲁棒性的实时目标跟踪。