视觉目标跟踪是机器视觉领域中一个非常重要的分支,在智能制造、安防监控、无人侦察、无人驾驶、人机交互和智能诊断等领域有着十分广阔的应用。给定视频目标初始化信息后,视觉目标跟踪旨在对后续视频目标进行位置定位、尺寸估计等。目前已有许多研究者对其进行研究,并在一些场景中取得了不错的跟踪精度。然而,在具体的应用当中,视频目标往往会处于十分复杂的场景,可能出现遮挡、高速运动、目标抖动、光照变化、目标形变和背景污染等一种或者多种干扰因素,使得高效、精准、鲁棒跟踪依然存在很大挑战。近年来,基于相关滤波的跟踪算法（Correlation Filter based Tracer,CFT）取得显著成果,本文针对核相关滤波跟踪算法（Kernelized Correlation Filter,KCF）所使用的特征表征能力不强的缺点,提出了改进思路并进行实验验证。本文主要工作如下:（1）对核相关滤波跟踪算法进行分析与理论的推导。介绍了算法的整体流程,重点介绍了在一维情况下循环矩阵、岭回归以及核空间二分类等原理,并在二维情况对核相关及多通道特征处理进行了推导。（2）提出基于信息熵的最佳权重多特征融合跟踪算法MMG＿KCF。首先提取R、G、B三通道方向梯度直方图（Felzenszwalb’s Histogram of Orientated Gradient,FHOG）特征,然后采用串联拼接方式在特征层面进行融合。考虑到三个特征通道的作用不同,因此按照权重比例摊派到三个特征通道的方式进行融合。本文利用图像信息熵来寻找最佳权重比例,通过构造权重比例池来计算所有权重比例对应的图像信息熵,其中最大信息熵对应的即为最佳权重比例。使用最佳权重比例将R、G、B三通道FHOG特征进行融合得到MMG＿HOG特征,将该特征替换KCF算法中的灰度FHOG特征得到MMG＿KCF算法。实验表明,使用MMG＿HOG特征的MMG＿KCF算法,在精度和成功率都有一定的提升。在标准数据集OTB100中随机选取28个彩色视频进行测试,从实验结果看,MMG＿KCF算法在精度上较KCF算法提升5.5%,在成功率上提升6.2%。（3）提出基于HSI（Hue Saturation Intensity Color Space,HSI）、Lab（CIELab Color Space,Lab）颜色空间多特征融合跟踪算法MCC＿KCF。首先将RGB图像分别转换到HSI、Lab颜色空间,然后提取H、S、a、b通道FHOG特征以及HSI、Lab三通道均值FHOG特征Gray1、Gray2,最后将六通道特征进行融合得到MCC＿HOG特征,将该特征替换KCF算法中的原始特征得到MCC＿KCF算法。实验表明,MCC＿KCF算法在精度和成功率上都高于KCF算法,提升幅度较大。在实验部分,本文选取标准数据集OTB100所有彩色视频（75个）进行一次性通过测试。从定量分析看,MCC＿KCF算法在精度上较KCF算法提升6.8%,在成功率上较KCF算法提升6.4%。从定性分析看,在相同的视频中MCC＿KCF算法较KCF算法有一定的抗遮挡、防抖动、抗旋转的优点。可见本文提出的MCC＿KCF算法相对KCF算法而言其目标表征能力更强,跟踪效果更好。