目标跟踪是在视频初始帧中选定目标的前提下,在后续帧中检测到相同目标的任务。近些年来,使用深度学习的目标跟踪方法取得了较好的效果。但高维的深度特征及频繁的卷积和池化运算造成了跟踪延时,跟踪过程中目标的外观变化和完全遮挡发生模型漂移。为了解决上述问题,本文基于相关滤波跟踪算法,对深度特征进行优化;并利用上下文信息和时间信息改进上下文感知相关滤波模型,来提高目标跟踪的精准度。本文的主要研究内容如下:（1）上下文信息对于相关滤波器的构造十分重要,许多跟踪算法使用余弦窗口缓解图像边界效应,同时却也减弱了上下文区域包含的信息。针对这一问题,使用加权策略来凸显不同上下文区域对目标跟踪的贡献,并加入时间正则项,确保滤波参数更新在时间上的连续性,防止模型更新发生突变,使得响应效果更具有鲁棒性。该算法的跟踪精度相比于传统相关滤波跟踪算法有了较大的提升,并且能有效应用于目标尺度变化,快速旋转等复杂场景。（2）针对深度特征在目标跟踪中存在冗余,造成跟踪延时这一问题,提出一种使用预训练的自动编码器压缩特征方法。首先采用ImageNet数据集训练基自动编码器。不同类型目标的特征空间并不相同,在基自动编码器上训练多个特征压缩器,基于特定压缩器选择网络匹配合适的自动编码器来压缩特征。该算法不仅保持了跟踪准确率,而且相比其它使用深度特征的算法跟踪速度有了明显提升。最后在具有代表性的OTB数据集上进行了大量实验,实验结果表明本文所提出的滤波模型能够有效适应尺度变化,遮挡等复杂场景,在对特征空间优化后,跟踪性能明显提升。