目标跟踪长期以来是计算机视觉(Computer Vision,CV)领域中的热点研究分支。在仅提供目标初始帧信息的情况下,能够继续跟踪目标后续帧的运动路径。作为多学科交融的研究方向,在导弹制导、智能化监控、无人机追踪及医学影像分析等多个领域中有所应用。从早期均值漂移、粒子滤波和光流法等生成式模型跟踪算法到现在主流的相关滤波和深度学习等判别式模型跟踪算法研究的不断突破,使得现有目标跟踪技术在算法性能上提升很大,特别是相关滤波的快速性,解决了算法的实时性问题。尽管如此,目前仍然没有一个通用算法可以很好的解决复杂场景下的目标跟踪问题,如光照变化、形变、遮挡、尺度变化等。针对以上存在的问题,本文从多特征加权融合、遮挡的动态判定与快速尺度估计三方面对核相关滤波目标跟踪算法(Kernelized Correlation Filters,KCF)与(Efficient Convolution Operators,ECO)分别进行研究与改进。主要工作如下:(1)据多项研究所知,采用多特征融合方法往往比单一特征好,而且研究如何进行多特征融合也有重要的意义。本文基于对核相关滤波理论的深入研究,提出了一种对方向梯度直方图(Histogram of Oriented Gradient,HOG)与颜色属性(color names,CN)新颖的特征加权融合方法。对两种特征分别基于KCF框架进行跟踪获得对应的检测响应图并归一化处理,计算归一化响应图与期望高斯标签的欧式距离作为特征的权重系数,并对各特征进行加权求和获得目标的加权响应图,从而求得目标的最终预测位置。(2)当目标遮挡、不在视野中等情况发生时,固定的模型更新学习率很容易将背景信息学习进来,导致跟踪失败。因此,研究解决模型更新自适应的方法尤为重要,本文提出一种基于相似度度量的模型漂移抑制方法,首先设计一个固定大小的目标集,将跟踪过程中所获得的目标块,通过相似性度量比对方法判定是否更新目标集和设置模型更新学习率。(3)虽然基于相关滤波的跟踪算法已经获得了精度与鲁棒性的极大提升,但是早期许多跟踪算法没有解决目标的尺度变化和目前主流的尺度估计方法存在计算冗余和尺度因子固定的缺陷,从而影响算法的实时性问题,并且目标尺度的变化会严重影响模型的稳定性,进而影响跟踪的整体性能。针对上述存在的问题,起先基于KCF提出了由粗到细快速和新颖的尺度估计策略,并借鉴特征权重策略,使用峰值与对应响应图权重值的乘积代替单独的峰值进行比较。一开始使用三个尺度因子粗略地判断目标尺度变化的方向,接着在该方向上循环求解最优尺度。为了进一步验证该方法的有效性和可移值性,将所提出的快速尺度估计方法替换ECO原先尺度评估方法。本文在OTB-2013、OTB-100(Object Tracking Benchmark)、Temple Color 128与UAV123数据集中进行实验对比,并定量和定性的分析各种方法对算法改进的实验结果。实验结果充分表明,本文所提出的三点改进的有效性,并能够保证算法的实时性。而且,基于Matlab GUI技术设计相应的目标跟踪系统,实时调用外接摄像头进一步测试所改进算法的实用性能。