目标跟踪作为计算机视觉中一个非常普遍且重要的研究方向,已被广泛应用于人机交互,军事监视等领域。虽然跟踪领域已经发展了近二十年,在跟踪准确度等方面取得了巨大的进步,但是仍然存在一些问题。为了有效地提升算法的跟踪准确度和速度,本文针对多特征融合算法计算开销较大且会影响HOG特征跟踪效果、逐帧模板更新在遮挡等挑战下会使得模板受到污染以及循环位移产生的边界效应影响滤波器的训练三个问题,做了如下工作:首先,针对多特征算法特征融合计算开销较大和影响HOG特征跟踪的问题,本文提出了基于置信度选择性融合机制SMFF(Selective Multi-Feature Fusion Mechanism)。在跟踪时,SMFF以HOG特征为基础特征,通过对HOG跟踪结果可靠程度进行分析,来判断是否使用多特征融合机制。在HOG特征能够很好地跟踪目标时减少特征融合的次数,从而减少算法时间开销并且减小多特征融合对HOG特征跟踪的影响。为了评估HOG特征的跟踪结果,区别已有的置信度计算方法,本文提出了一种新的计算HOG跟踪结果置信度的方法。该方法能够有效地评估HOG特征跟踪结果的可靠程度。实验证明,本文提出的SMFF机制能够减小多特征融合算法计算开销并且能够有效减小对HOG特征跟踪的影响。在上述工作基础上,针对模型污染的问题,本文提出了一个新的模型更新机制,模型回溯机制MRM(Model Rollback Mechanism)。不同与已有的目标跟踪模型更新机制,本文提出的MRM使用HOG特征图的最大响应值作为模型回溯的度量标准。在具体实现时记录每一帧的HOG特征图最大响应值得到一个模型最大响应矩阵,考虑到跟踪过程中变形,快速运动,运动模糊,遮挡等问题带来的鲁棒性要求,当该矩阵的数值连续下降并低于一个阈值时,判定模型收到污染。当污染发生时,MRM机制使用模板记录矩阵中存储的污染前一帧模板,对当前帧模板进行更新,避免了模板污染。最后,本文将背景感知的思想与前两部分工作结合,提出了一个新的目标跟踪算法CMCF(Tracking Algorithm via Confidence-based Multi-Feature Correlation Filter)。在有效解决前两个问题的基础上,减小了边界效应对滤波器训练的影响。区别于之前仅在HOG特征中使用的背景感知思想,本文实现了多特征的背景感知。在这一部分,本文首先说明了多特征背景感知思想基本理论,然后给出了详细的CMCF算法流程以及对应的算法流程图。在公开数据集上实验结果表明,该算法的表现要优于近几年先进的目标跟踪算法并且能够有效解决上述三个问题。