目标跟踪是计算机视觉领域中十分重要而关键的技术,其所衍生的应用产品为人们的工作和生活带来了极大的便利,在智能监控、无人驾驶、人机交互、医学诊断等领域有着广泛的应用。目标跟踪任务的目的就是根据第一帧或前几帧图像所提供的信息对后续视频序列中待跟踪的物体进行尺度和位置的估计,而较高的鲁棒性会使得跟踪算法能够较好的应对各种因素（诸如:遮挡:形变,运动模糊等）对其的影响,从而使得所预测的结果更为准确。近年来,随着深度学习算法和相关滤波算法的不断发展,目标跟踪算法的研究也取得了十分重大的发展。然而,尽管跟踪的准确性和高效性都有很大的提高,但仍然存在许多具有挑战性的问题没有解决。这些问题包括如何充分利用视频序列在时间域的连续性进行建模、如何更有效的利用卷积神经网络提取的深度特征来对目标进行表观建模等。目标跟踪处理的对象是整个图像序列,并不仅限于某张图像中的目标,而目标在帧与帧之间存在一定的联系,如何利用帧与帧之间的关系进行研究,并加以合理的利用,可以极大的提升跟踪器的性能。在目标跟踪任务中,当目标受到遮挡、非刚性形变和尺度变化等因素影响时,合理的利用训练样本和测试样本的深度特征信息会提高跟踪器的鉴别性,因此如何使模型充分的利用深度特征信息来提高算法的性能是研究人员亟需解决的问题。针对以上问题,本文以相关滤波算法展开研究,其主要工作和创新点如下:（1）为了有效利用帧与帧之间的关系,本文通过在视频时间域建模,提出了一种基于自回归建模的相关滤波跟踪算法。首先,将跟踪过程中训练的相关滤波器进行自回归建模,得到自回归参数,然后将自回归参数引入到时间正则化项中,最后,优化求解出目标函数得到更具有鲁棒性的相关滤波器,同时本文还利用响应图的局部响应变量来自适应调整时间正则项和空间正则项的超参数。实验结果表明,本章提出的算法在跟踪的精度和成功率上都有明显的提升。（2）当目标受到遮挡、非刚性形变和尺度变化等因素影响时,合理的利用目标的深度特征能够有效提升跟踪器的鉴别性。为了有效使用卷积神经网络特征对目标进行表观建模,本文探索了卷积神经网络特征提取的深度特征对目标跟踪的作用,分别分析了卷积神经网络特征中的浅层特征和深度特征对目标跟踪算法性能的影响,然后根据上面的观察,提出了将低层深度特征和高层深度特征相融合的目标跟踪算法。同时,将深度特征与传统的手工设计的特征进行有效的结合,利用两者功能上的互补来提升算法的性能。实验结果表明,与基于手工设计特征的算法相比,基于卷积神经网络特征的目标跟踪算法有更高的精度和准确率。