目标跟踪是计算机视觉领域中的一个重要研究方向,已广泛应用在城市视频监控、城市智能交通、移动机器人目标跟踪、无人机飞行、虚拟现实和医学检测等多个研究领域。在实际应用中,常常出现目标遮挡、运动模糊、背景与目标相似、背景杂乱等情况,这些情况对跟踪算法的性能提出了很大的挑战。基于判别式分类器的目标跟踪算法因其效率高、效果佳的优势逐渐成为目标跟踪领域的主流研究方向,基于此,本文对基于判别式分类器的目标跟踪算法进行了深入的研究,主要工作和研究内容如下:（1）系统全面的从生成式和判别式两个方面对目标跟踪的研究现状作了概述,然后对目前主流且典型的两种基于判别模型的跟踪算法-相关滤波和深度学习进行了深入分析,最后从算法的鲁棒性和适用性等多个角度指出现有的生成式和判别式方法的不足之处。（2）针对目标跟踪任务中目标跟踪鲁棒性较差的问题,本文提出了一种改进的基于相关滤波的判别式目标跟踪算法。首先通过分析深度神经网络中不同卷积层提取的特征差异,对不同层的特征在不同属性下的跟踪性能进行比较;然后将不同分辨率的卷积特征通过双线性插值进行融合,以此来作为跟踪过程中的特征表示;最后在传统相关滤波跟踪算法的框架下设计了多分辨率卷积特征融合的目标跟踪算法,以此来提高跟踪精度。实验采用OTB50跟踪数据集对改进算法进行评测,实验结果表明,本文算法相比核相关滤波算法（KCF）和基于分层卷积特征算法（CF2）表现出更强的鲁棒性,能够适应目标发生低分辨率、超出视野范围、快速运动和运动模糊等复杂情况。（3）针对目标跟踪在不同的应用场景下对跟踪精度和跟踪速度的要求不同,以研究的基于判别式分类器的跟踪算法为对象,选取了六种经典且具有代表性的算法从跟踪速度和跟踪精确度两个方面进行了基于属性的判别式目标跟踪算法性能比较分析。实验结果给出了算法在OTB50数据集中不同挑战属性的视频中跟踪性能的对比,并对这些算法从跟踪精确度和跟踪速度这两个方面进行了全面深入的比较分析和总结。实验的结果可以作为基于属性的判别式视频目标跟踪算法的优化参考,以此为用户根据具体的实际应用场景条件的差异,在不同场合下选择合理高效的跟踪算法提供选择依据。