目标跟踪是机器视觉领域的热点研究方向,是模式识别、图像处理、计算机视觉、机器学习等学科的交叉研究。自然界中,视觉对动物接收外界信息并做出相应的反应起至关重要的作用,利用机器视觉代替动物的视觉系统对智能化发展有着极大的意义。实际生活中的目标在运动过程中可能会发生形变、快速移动、目标与背景混杂、跟踪图像序列分辨率低等问题。由于这些问题造成的目标外观变化对目标跟踪的精度有着很大的影响,近几年基于深度卷积神经网络提取特征被广泛的应用于目标跟踪过程,并取得了良好的效果。本文针对传统目标跟踪算法跟踪问题中的难点,提出了动态融合Hog特征与颜色特征的自适应粒子滤波算法。相比传统多特征融合算法,本文将目标在不同状态下的动态融合特征作为目标模板,利用目标在不同的状态下不同的特征优势,增加算法的跟踪成功率。针对目标运动背景发生变化问题,减少目标颜色特征的权重增加目标Hog特征权重,减少目标色彩变化导致跟踪算法的不稳定性,当目标发生翻转时增加目标颜色特征的权重,实现对目标的准确跟踪。相应的当目标色彩受背景变化严重影响或者被相近目标干扰时,Hog特征与颜色特征相结合,使跟踪算法最大程度的跟踪到目标。本文针对传统人工设定特征的局限性而导致的跟踪算法鲁棒性较差的问题,利用迁移学习的思想基于Alexnet网络结合粒子滤波跟踪框架提出了Alex-BF算法,并在跟踪过程中改进传统粒子滤波的模板更新策略,将之前的模板信息包含在当前的模板更新中,即在当前帧的模板更新里融入了上一帧的特征信息。实验结果表明本文算法能有效适应传统人工设定特征在特征表达具有局限性的问题,对遮挡,光照变化,相似目标干扰等场景有着良好的跟踪能力。本文针对深度网络模型提取特征单一、无法完整的描述目标信息,且基于单特征的目标跟踪算法在复杂场景下难以取得良好的跟踪效果的问题,提出了一种基于融合深度特征的目标跟踪算法。利用不同卷积核在不同感受野下提取更丰富的特征融合信息去训练出更优异的目标跟踪器。在跟踪过程中为了提高目标定位精度,在目标检测中使用了边界框回归技术,通过微调边界框位置和尺度状态,使得预测值与真实目标所在位置更加接近。实验表明本算法在精度和鲁棒性方面优于目前先进的跟踪算法,能够有效缓解跟踪过程中目标因形变,低分辨率,快速移动造成的漂移问题。