目标跟踪是计算机视觉领域的一个重要研究课题,在人类现实生活、科技应用、军事、国防安全等领域有着广泛的应用。现阶段,目标跟踪技术取得了长足的进步,涌现出大量优秀的跟踪算法,以应对现实中遮挡、光照变化、目标形变和旋转、尺度变化、背景干扰等复杂场景的迫切需求。其中基于相关滤波的目标跟踪算法在精度和效率方面效果显著,但是由于现实中多种复杂场景的影响,仍面临较多挑战。本文为提高相关滤波算法在复杂场景下的跟踪性能,开展以下研究工作:（1）针对在光照和尺度变化、形变、背景混杂等复杂场景下单一特征的核相关滤波跟踪算法无法准确描述目标,抗干扰能力差的问题,提出特征融合的多尺度相关滤波跟踪算法。首先在位置预测阶段,提取HOG和颜色CN特征,根据各特征响应值自适应加权融合特征,实现目标位置的预测;其次在尺度预测阶段,在上一帧预测位置上训练尺度滤波器,建立尺度金字塔来调整目标的尺度大小,求得最大响应值所对应的尺度作为目标的最佳尺度,增强目标尺度的适应性。（2）为进一步提高相关滤波跟踪算法在复杂场景下的鲁棒性,提出一种基于深度特征的相关滤波跟踪算法,使用具有强大样本表征能力的深度特征训练模型。首先,分析各层特征在跟踪场景中的综合性能,采用方差过滤法提取空间和语义的深度特征并输入到相关滤波跟踪模型中,以固定权重方式融合各层特征的响应值实现对目标的准确预测;其次,为防止算法在遇到遮挡时错误更新模型导致跟踪漂移,在模型更新阶段提出高置信度模型更新策略,计算响应峰值和平均峰值相关能量指标自适应更新滤波器模型,减少更新次数,提高跟踪精度。实验部分,在具有多种干扰属性的OTB-2013视频序列集上对本文算法进行测试,通过定量和定性分析对比本文算法与传统经典算法和结合深度学习的主流算法在复杂场景下的跟踪性能,表明本文算法在精确度和成功率上均有明显提高。