随着计算机视觉和人工智能等领域的发展,采用视觉分析的算法模拟人眼和大脑实现对图像和视频的理解成为近年来的研究重点和热点。其中视觉目标跟踪是人工智能等视觉分析领域备受关注的课题之一,在无人驾驶、交通检测、安全监控、人机交互、医疗应用、导航和军事等领域都具有极其重要的应用。但是当面临快速运动、运动模糊、形状变化、目标旋转、尺度变化和移出视野等外观变化,以及包括背景杂乱,光照变化,低分辨率和部分遮挡的环境变化时,视觉目标跟踪仍然是一项具有挑战性的任务。本文研究基于相关滤波器的目标跟踪算法的优缺点,提出了一种在贝叶斯框架下的基于多分块策略的目标跟踪算法框架。该算法主要解决在跟踪问题中最具有挑战的遮蔽、形变和尺度变化等干扰属性。本文提出的算法框架中的核心组件包括目标表观模型、目标运动模型和目标特征模型,分别利用了基于相关滤波器的跟踪算法求解目标表观模型、挖掘各个分块响应图在时间上的联系计算分块自身的可靠性和计算同一帧多块之间的关系来定义每个分块对整个跟踪结果的贡献。并且提出了对每个模型和参数的自适应更新方式以及目标的自适应尺度估计方式。其次,为了降低多分块目标跟踪算法的计算复杂度问题,本文分析了传统基于相关滤波算法各个组件的执行时间比,对可并行部分在GPU硬件平台上利用CUDA软件技术,对影响整个跟踪算法实时性最大的包括特征提取和核函数矩阵计算上分别进行了并行化处理,最后利用CUDA的流处理能力在一次跟踪时间下实现了整个跟踪的任务级别并行,成倍的提升了跟踪算法的跟踪速度。最后,通过在包含各种干扰情况下的100个序列上面对本文提出的算法进行了详尽的评估,并且与目前最主流的10种算法在定量分析、定性分析、基于属性的分析和执行时间分析上进行了对比。实验结果表明,本论文设计的并行算法框架不仅在包括遮蔽、形变、尺度变化等干扰下能实现稳定和精确的跟踪,并且在实时性上相比于传统基于分块和优化的跟踪算法更具有显著的优势。本文的算法,不管在理论上的创新上还是在实际的工程应用种都具有重要的价值。