目标跟踪作为计算机视觉领域的一个热门发展方向,目前已经被广泛应用于许多科技场景中,如:智能监控、人机交互、无人驾驶等科技领域。近年来,目标跟踪算法随着计算机技术的发展也获得了长足的进步,跟踪性能不断提升。但是随着需要应用到跟踪技术的场景越来越复杂,面临多种影响因素混杂,使得目标跟踪结果不甚理想。本文针对跟踪过程中出现的问题,在现有的目标跟踪算法基础上进行了一些改进,工作如下:当前基于相关滤波的跟踪算法大多仅仅基于完整目标区域来提取目标特征,但其表征目标的能力有限,基于此提出一种自动全局上下文感知相关滤波器跟踪算法。该算法首先提取目标局部变化计算响应变化,然后提取目标整体及其上下文区域特征计算响应图,将两个响应图相结合形成目标空间局部和全局响应,通过该响应值可以自动调整空间正则化权重并且能够缓解边界效应问题,此后加入时间正则化过程能够缓解滤波器衰退问题。该算法在公开数据集上的实验结果表明,其在多种复杂场景下都具备良好的稳健性。针对上述算法使用的手工特征在某些复杂场景中对目标表达能力不足以及固定的时间正则化参数不能灵活学习可靠目标信息问题,提出了一种基于多特征融合和自动时间正则化的目标跟踪算法。该算法利用神经网络不同卷积层分别在目标局部和全局区域提取深度特征计算响应值,之后与原本的手工特征通过巴特查理系数计算相邻两帧中不同特征响应值的相似度来分配特征自适应融合权值,从而获得更全面的目标空间信息和更准确的语义信息,此外自动空间正则化参数可以使滤波器灵活学习可靠视频帧的目标信息。由实验结果可知,该算法跟踪性能进一步提升。