目标跟踪作为计算机视觉领域的核心研究内容,在智能监控、无人驾驶、人机交互等众多科技领域有着至关重要的应用。基于相关滤波的跟踪方法通过傅里叶变化将目标跟踪从时域计算转换为频域计算,提高了目标跟踪的准确性及精度,但在复杂的跟踪环境下,形变、遮挡、光照等因素都会给跟踪带来影响,传统的目标跟踪算法很难满足跟踪要求。本文针对复杂场景下目标跟踪的问题,分析了影响目标跟踪精度和成功率原因,在保证算法实时性的前提下,从模型特征、模型更新机制上,对传统KCF算法进行了两处改进:提出了多特征融合算法;以及模型自适应更新的目标跟踪算法,提高相关滤波目标跟踪算法的准确性和鲁棒性。本文的主要工作内容如下:首先,针对传统目标跟踪算法大多采用单一特征进行计算,在运动目标尺寸变化、遮挡、图像模糊等情况下无法准确进行跟踪的问题,提出了一种多特征融合的核相关滤波算法,针对每种特征在不同环境下的优势,计算不同特征的输出响应值,利用巴特查理亚系数对不同特征进行加权处理,完成决策层的特征融合,从而提高算法的鲁棒性。接着,针对模型漂移的问题,提出了模型自适应更新策略。对于跟踪的最大响应值设置阈值,如果跟踪成功,对模型进行更新;如果跟踪失败,停止更新模型;如果判断为受影响,则利用检测模块在图像全局范围内对目标进行检测。保证在抑制模型漂移时还可以及时的更新模型。最后,本文利用OTB50数据集,对提出的算法在多种不同情形下进行了充分实验验证和对比,评估了本文算法的跟踪准确度和跟踪成功率。实验结果表明,本文的算法对于目标跟踪的鲁棒性有显著提高。