目标跟踪是计算机视觉领域一项重要而具有挑战的工作,其在无人驾驶、安防监控等领域有着广泛应用。近年来,目标跟踪技术发展迅速,但由于现实场景的复杂性,目标跟踪过程中仍存在较多难题。首先,本文将对比基于人为手工设计的与基于深度学习的特征提取方法,针对目标跟踪过程中跟踪漂移等问题,采用结构组成调整后的VGG-19深层卷积神经网络模型对跟踪目标特征提取,并引入多层卷积特征融合机制,将目标的深度特征信息有效表达。其次,为缓解深度学习计算量大带来的耗时长问题,本文研究能够实现快速计算的核相关滤波目标跟踪算法。针对核相关滤波的跟踪方法对尺度变化适应性较弱的问题,本文引入了两种针对尺度变化的策略以增强算法对目标尺度变化的自适应能力,以更好地估计目标。然后,结合上述改进的特征提取模型与核相关滤波框架,实现本文的仅基于深度学习与基于深度学习和尺度自适应的两种目标跟踪算法并在OTB2015官方公开数据集（详见5.3.1节）进行测试,与主流跟踪算法比较,结果表明两种改进的算法具有较好的成功率和准确率,并分别在尺度变化、快速运动等复杂环境下表现出较好的应对能力。最后,本文将实现的改进算法在实际无人机低空航拍视频中应用并对结果进行分析。此外,本文在Matlab环境下设计并实现了目标跟踪算法学习软件系统,帮助计算机视觉领域的初学者更高效地了解和对比多种视觉目标跟踪算法。