运动目标跟踪是当前计算机视觉领域中重要的研究课题之一。通过对摄像头采集的数字视频图像进行逐帧地处理,实现对视频中某个或某些感兴趣区域的定位与跟踪。近年来,在大量研究人员的通力合作下,越来越多优异的视觉目标跟踪算法崭露锋芒。该项技术也已在多个场景中得到普遍的运用。然而光照、遮挡等复杂的跟踪环境及目标自身形变等问题仍带来了较多的挑战。因此,研究出具有较强鲁棒性和较高准确性的算法仍是当前的重点任务。相关滤波类跟踪算法凭借着其速率快、精度高、鲁棒性好等特点在众多的视觉算法中脱颖而出,并且在近些年来受到广泛关注和研究。针对跟踪过程中常见的问题,本文从传统相关滤波出发,通过分析其优缺点,针对不足的地方,提出相应改进策略并进行对比仿真实验验证其有效性。本文的主要工作和提出的创新点有以下几个方面:第一,针对目标在遇到遮挡时易丢失以及目标模型随时间推移误差会不断累积等问题,提出了一种抗遮挡且稳定性高的跟踪算法。首先通过计算响应图的PSR值来判断目标当前状态,若遮挡面积较大时则停止对模板参数的更新,同时启动遮挡检测器,利用双向光流的特性对目标位置重定位。结果表明本文速度虽有下降但仍能满足实时性,同时发现在对应对遮挡、光照等环境下的高效性。第二,为了解决跟踪时遇到的目标大小变化所产生的尺度估计问题,提出了一种基于上下文感知框架的自适应尺度的跟踪算法。该算法将目标跟踪任务分解成两大块,将最佳目标位置与尺度分别通过各自独立的正则化最小二乘分类器训练学习。在求解位置问题上将目标与背景作为正负样本送入滤波器中学习以增强判别力,在尺度滤波器中则采用粗尺度池插值的方式加快运算。从实验结果来看,本文算法在与解决尺度的相关滤波类算法对比在快速移动、目标形变等环境下具有更好的鲁棒性,与同样结合上下文感知框架的算法相比在不失精度的情况下,算法实时性也能得到满足。第三,为了解决HOG特征对目标单一角度的描述,当多种环境混合下可能失效的问题,提出了一种加权特征融合的跟踪算法。利用贝叶斯定理统计颜色特征,将获得后的概率模型用于区分前景目标和背景区域。最终将两种特征的置信图通过APEC计算分配权重,在决策层对两个跟踪结果进行融合,形成互补学习的方式来增强滤波器对外观的适应能力。从实验结果来看,本文算法在应对相似目标、形变等环境下精度和实时性都表现的较为出色。