目标跟踪作为计算机视觉领域的一个基础问题在近十年来已经取得了广泛关注,目前在视频监控、人机交互等许多领域都有着大量应用。它的核心问题就是在给定第一帧目标对象的边界框后,在后续帧的未知状态下估计出目标的位置以及尺度,从而实现目标跟踪的过程。然而在现实的复杂场景中,由于存在着许多无法估量的干扰因素,比如摄像机抖动、出视野、严重遮挡、形变、快速运动等内部或外部干扰。因此,要设计出一种精确、鲁棒同时又能抵挡多种干扰因素的目标跟踪算法还有很长一段道路。本文针对复杂场景下提高视频目标跟踪算法的准确性与鲁棒性问题进行了深入的研究和分析,主要研究成果如下所述:(1)针对相关滤波跟踪中目标在剧烈形变时会发生滤波模板漂移以及在复杂场景中目标跟踪鲁棒性较差的问题,提出一种融合稀疏重构图像显著性的相关滤波跟踪算法。在跟踪的过程中,通过超像素分割提取背景模板来稀疏重构目标颜色相关,构建目标颜色模型得到跟踪检测分数,将该检测分数与相关滤波检测分数进行融合,根据融合响应输出利用峰值旁瓣比调整模板更新速度解决遮挡下的更新策略问题,同时利用中心先验图对存在误差的稀疏重构图进行修正,使得该目标跟踪框架能适应形变、光照等复杂变化。实验表明该算法在准确性和鲁棒性方面要优于其他算法。(2)针对现有的分层卷积特征跟踪算法在遭遇多种复杂环境时会发生跟踪失败的问题,提出一种空间注意机制下的自适应目标跟踪算法。在跟踪的过程中,根据当前帧的颜色直方图基于贝叶斯分类器建立空间注意机制,在提取VGGNet19中多层卷积特征后分别与空间注意图进行融合,从而构建稳健的目标表观模型。之后利用学习到的相关滤波器得到各响应值,通过加权求和准则求出最终响应,同时利用帧差法调整学习速率,最终实现自适应的目标跟踪。实验结果表明,该算法在大多数复杂环境下的跟踪性能均优于现有的跟踪算法。(3)针对深层特征存在冗余通道影响跟踪速度和精度以及单一特征难以适应复杂场景的问题,提出了一种通道裁剪下的多特征组合目标跟踪算法。首先,在相关滤波算法的框架上结合传统手工特征和深层特征进行跟踪;其次,通过对比深层特征通道上目标区域和搜索区域的特征均值设计通道裁剪策略,筛选出合适的特征通道;最后,通过隔帧更新的方式更新深度特征,通过平均峰值相关能量更新传统特征滤波模板,最终实现准确跟踪。与10种算法在OTB2013和OTB2015数据集上进行对比实验的结果表明,该算法在跟踪准确度和成功率方面都取得了更为理想的结果。