目标跟踪是计算机视觉领域非常重要的研究子课题之一。广泛应用于监控、医疗影像、无人驾驶等领域。单目标跟踪中,视频第一帧图像会给定准确的目标状态,在接下来的视频里自适应的跟踪该目标主体。在跟踪过程中,存在目标被遮挡、目标尺寸变化、光照变化等研究难题。为了克服这些困难有许多优秀的算法被提出,本文通过建立一种空间互补的结构化模型,同时利用神经网络提取深层语义特征,提高算法鲁棒性。相关滤波因为其跟踪精度和速度优势在目标跟踪领域广泛应用。但是因为传统的相关滤波算法是基于整个目标区域模板进行跟踪与模型更新,导致对于遮挡问题的处理效果差强人意;同时通过目标区域循环矩阵构造正负样本,导致训练样本有限引发过拟合的风险和虚假的负样本降低对背景杂乱问题的鲁棒性。本文分析了定性和定量的传统相关滤波的缺点。在卷积神经网络中,不同卷积层的蕴含的信息不同,浅层网络主要包含物体的空间性质,相对高层的网络包含了更高阶的语义信息。本文通过分析视频序列第一帧相关滤波器的平均空间能量分布发现,滤波器不同区域的平均能量分布不同。本文利用空间掩膜迫使滤波器关注目标不同的区域,同时根据不同区域的平均能量分布构建两种空间模型,这两种空间模型在空间内存在互补关系,从而构建空间互补结构化模型。不仅考虑到目标的空间布局信息,而且大大减少模型的参数。通过两种模型融合确定最终目标的状态。利用平均峰值相关能量对模型进行更新。本文在大规模公开数据集对目前最先进跟踪算法进行评测,同时在大规模公开数据集中挑选具有挑战性的视频序列与其他算法定性和定量的比较。实验表明,本文算法对不同场景的跟踪问题的鲁棒性,取得了非常满意的效果。