计算机视觉领域中存在诸多研究对象,目标跟踪由于其在社会生产中蕴藏的巨大价值而备受关注,在其演进过程中,涌现出许多优秀的跟踪算法,这些算法从不同角度提高了跟踪的精确度和成功率。但在实际应用中,由于跟踪背景及目标自身的不确定性,设计一种具有高鲁棒匹配性的目标跟踪算法仍具有很大挑战。针对目标在运动过程中存在的遮挡、形变、运动模糊和尺度变化等问题,本文将模板匹配技术引入到核相关滤波（Kernelized Correlation Filter,KCF）跟踪框架中,主要工作有:（1）针对复杂环境中KCF算法跟踪精度较低的问题,提出最佳伙伴相似性（Best Buddies Similarity,BBS）引导的KCF跟踪法。利用Edge boxes算法的边缘检测特性提取出待匹配图像中的目标候选框,并利用候选框筛选机制剔除与目标模板相似度较低的候选框,将保留的候选框与目标模板进行BBS匹配,得出目标候选框的BBS得分,融合BBS得分与KCF位置响应得分预测目标的位置。实验结果表明,本文设计的跟踪器在目标发生旋转、遮挡或形变等情况时,可定位到目标的位置。（2）针对跟踪过程中的图像模糊问题,提出结合模糊特征检测的核相关滤波跟踪法。该算法根据图像清晰度设计了两种跟踪方案,若当前图像模糊,则将降维处理后的尺度不变特征变换（Scale Invariant Feature Transform,SIFT）描述子与局部二值模式（Local Binary Pattern,LBP）算法结合来构建模糊特征检测器,提取模糊图像中的目标特征点,并与目标模板进行特征点匹配,预测目标的位置;若当前图像清晰,则根据传统KCF算法位置滤波器的输出响应估计目标的位置。实验结果表明,本文设计的跟踪器适用于大部分模糊图像的跟踪场景。（3）针对传统KCF算法采用固定大小的跟踪框,以及工作二中设计的模糊特征检测器实时性较差的问题,提出自适应尺度抗模糊核相关滤波跟踪法。利用加速稳健特征（Speed-Up Robust Features,SURF）算法和二进制尺度不变鲁棒特征（Binary Robust Invariant Scalable Keypoints,BRISK）描述子对目标区域进行特征点检测与描述,并通过特征点二次匹配,获取模糊图像中的目标位置。此外,引入了尺度缩放因子,通过比较不同尺度下的目标峰值响应,得出目标的最佳尺度。实验结果表明,本文设计的跟踪器适用于目标模糊以及尺度变化情况下的跟踪问题,且能满足跟踪实时性的要求。