基于可见光（RGB）和热红外（T）视频的RGBT目标跟踪是计算机视觉领域新兴的热点研究课题。通过融合可见光和热红外数据,RGBT目标跟踪能够有效应对单模态目标跟踪存在的挑战因素,诸如光照变化,恶劣天气和热交叉等。因此不论是在军事国防还是民用安全领域,RGBT目标跟踪都具有极其重要的科研价值和广阔的现实应用前景。近年来,科研人员提出了基于稀疏表示,基于图模型和基于深度学习的RGBT目标跟踪算法。虽然取得了良好的跟踪精度,但是大部分算法的跟踪速度却无法满足实时的运行要求。为了克服上述问题,本文就如何在相关滤波跟踪框中引入可见光和热红外数据进行RGBT目标跟踪展开相关研究,不仅取得了优异的RGBT跟踪精度,而且满足实时运行的速度要求。本文的主要研究成果包含如下两个方面:第一,提出了协同稀疏相关滤波模型。为了抑制光照变化,恶劣天气和背景杂乱等挑战因素对单模态目标跟踪方法的影响,同时考虑到现有的RGBT目标跟踪方法大部分都无法兼顾跟踪的精度和运行速度,本文在相关滤波框架中设计了一种协同稀疏相关滤波模型进行RGBT目标跟踪。所提出的方法实现了在相关滤波跟踪框架中同时利用模态内和模态间的信息。首先,该方法为每个模态求解稀疏相关滤波器,由于继承了稀疏表示的优点,所求得的稀疏相关滤波器能够包含目标的关键信息,同时对噪声具有鲁棒性。其次,考虑到同一目标在不同模态之间的运动具有协同一致性,因此本文将不同模态稀疏相关滤波器之间的相互依赖关系建模为基于7)_2,1范数的稀疏学习问题。最后在GTOT和RGBT210公共基准数据集上的实验验证了所提出方法的有效性和先进性。第二,提出了软一致相关滤波模型。由于不同模态之间具有异质性,若只考虑协同性通常难以充分挖掘不同模态之间的互补性。此外,第一个工作没有考虑不同模态跟踪结果的加权自适应融合,这极易影响跟踪的性能。针对上述问题,本文设计了一种基于软一致相关滤波模型的RGBT目标跟踪方法。该方法考虑了不同模态信息之间的协同性和异质性,从而实现更加有效的融合。对于协同性,所学习的多模态相关滤波器之间应该选择相似的循环移位,从而实现模态间对目标的一致定位。对于异质性,所学习的多模态相关滤波器之间允许具有彼此稀疏的不同元素。此外,本文还引入了一种新颖的机制来融合不同模态的响应图。具体来说,根据检测阶段的响应图来计算模态的权重,然后通过对每个模态响应图的加权自适应融合得到最终的响应图。最后在基准数据集GTOT与RGBT210上的实验表明所提出的方法不仅在跟踪精度上比肩前沿的RGBT目标跟踪算法,同时也达到了实时的运行速度。