近几年来，现代的可视物体跟踪技术得到了突飞猛进的发展，基于协相关滤波的跟踪器在精度和鲁棒性都具有十分优秀的实验结果，但其对于物体大小的自适应性仍然可以进行扩展，并且在特征空间整合上有提高跟踪能力的空间。其次，现代的跟踪器通常采用在第一帧中给定的一个边界框来追踪可视对象，但跟踪结果往往对初始化十分敏感。在本文中，我们提出了两个可视物体跟踪器对这些问题进行研究和分析。　　多尺度自适应多特征融合协相关跟踪器在内核相关过滤器跟踪的固定模板大小的问题进行拓展，我们提出了一个有效的规模自适应方案。此外，强大的特征空间，包括HoG和颜色命名被融合在一起，以进一步提高整体的跟踪性能。广泛的实证评价基准视频和VOT2014数据表明该跟踪器是在各种类型的挑战性的场景都表现十分良好。我们的方法成功地在跟踪基准数据集的51个序列视频中跟踪目标约72％的视频取得了世界领先的成绩。　　此外，在协相关滤波器的基础上，我们还进一步提出了一个新的跟踪方法，可靠的补丁跟踪(RPT)，它可以有效地在整个追踪过程进行可靠片分布估计并且试图跟踪这些片块。具体而言，我们提出了一个跟踪的可靠性指标来衡量可靠片的可跟踪性，其中序贯蒙特卡罗框架和概率模型来估计下可靠片的分发。由于可靠片分布在整个图像中，我们利用运动轨迹使有用的可靠片从背景区别开来。因此，视觉对象可以被定义为同型轨迹图片块的聚类，最后一个霍夫表决体系用来估计目标状态。在实验序列视频中，该跟踪器取得了令人鼓舞的实验结果，这表明次框架是非常有效的，并且获得了世界领先的性能成绩。