红外成像系统因其可全天时工作、隐秘性好、抗干扰性能强和穿透烟尘能力强等优点,被广泛应用于红外制导、智能安防和夜间导航等军事与民用领域。红外目标跟踪技术作为红外成像系统的关键技术,在现代防御和告警任务中具有十分重要的地位。但是由于红外图像具有信噪比低、背景杂波较严重和分辨率低等局限性,使得红外目标跟踪技术成为了一项富有挑战性的课题,对其深入研究有着重要的理论意义和实用价值。本文对红外目标跟踪算法进行了深入的探讨和研究,首先分析了红外图像预处理技术,然后研究了两种基于机器学习理论的红外目标跟踪算法,并分析和验证了两种跟踪算法的有效性。针对红外图像分辨率低、对比度低、纹理细节特征缺乏等问题,分析了五种典型红外图像增强算法,通过仿真实验从直观效果、失真度、细节增强性与处理速度四个方面对比分析了这五种算法,选用效果相对较好的引导滤波作为跟踪器的图像预处理算法。针对红外图像灰度特征丰富性不足和随温度变化的问题,采用了有效对抗温度变化及目标形变的方向梯度直方图(HOG)特征在红外图像特征提取中。在分析传统相关滤波的精确性和核相关滤波跟踪算法的实时性的基础上,本文研究实现了基于上下文感知的尺度估计跟踪算法,其在上下文感知的跟踪框架中将精确尺度估计算法与核相关滤波算法相结合,为滤波器提供了更多的负样本,从而抑制了背景中与目标相似物体的干扰,提高了跟踪算法精度。针对相关滤波类算法模型简单、泛化能力差的问题,本文研究实现了一种基于深度学习的端到端跟踪算法。该算法将全卷积孪生网络的卷积层进行金字塔式融合,再将融合后的各个尺度特征层输入到区域选取子网络,通过并行计算模板帧和待检测帧的相似性,来确定待检测帧的目标位置并输出目标尺度提议,最后采用非极大值抑制方法选取得分最高的尺度提议,从而获得了精确度更好的跟踪效果。