人类通过对图片的观察能够得到图片的相应信息。但是互联网世界的视频、图片数以亿计,其中的信息良莠不齐,人工监测不良信息耗费巨大的人力和财力,得不偿失。所以,结合计算机视觉的目标追踪算法应运而生。本文致力于研究对视频目标的无间断追踪,这样通过视频信息的追踪我们能够更好地去解决现在生活中的问题,如追踪监控视频中的罪犯、区域的入侵监测等。视频目标追踪的遮挡、形变、模糊等问题由来已久,众多学者提出了许多优秀的追踪算法。本文对追踪算法的发展历程作了简要总结与分析,然后挑选了运算速度快、具有实时性的目标追踪算法—KCF(Kernelized Correlation Filters)算法来加以改进。大多数先前的方法使用几个全连接层作为回归量来预测目标定位框的偏移。本文引入新的目标检测框架—Grid R-CNN(Region-Convolutional Neural Networks),这个框架将典型的回归公式替换为采用全卷积网络来预测预定义网格点的位置的方式,加以网格点之间的特征融合与扩展区域映射这两个特性,然后利用这三个特性来确定准确的目标边界框,来提高目标边界框定位的精度,从而解决了传统KCF追踪算法中的遮挡问题、尺度变换问题。同时在目标模型训练过程中,本文新颖地引入了高置信度下更新模型的策略,该策略用到的参数是APCH,即APCE(Average peak-to Correlation Energy)的比率。参数APCH能更易设置是否更新模型的阈值,使得训练得到的目标模型更优良。并且本文将使用Grid R-CNN改进后的KCF算法与现在已经发表的9种定位追踪算法进行对比,引入OPE(One-pass Evaluation)、SRE(Spatial Robustness Evaluation)两个算法性能评价标准,对比同一训练集下这10个算法的追踪精度和学习率,分析该算法在当今网络环境下的应用价值。针对实时追踪问题以及自动学习问题,以网格神经网络Grid R-CNN改进的KCF采用Siamese架构自动学习优化功能,以实现更好的基于CF(Correlation Filters)的对象跟踪。这是在目标定位研究中的创新,为今后的网络安全提供了一种更加智能的监测追踪方法,为实现网络空间安全的智能化提供了新的思路。