单目标追踪是计算机视觉的基础性研究课题,其基本问题为:在一个视频序列的初始帧中确定追踪目标后,在后续帧中使计算机能准确持续地追踪到目标位置。单目标追踪具有广泛的应用前景,可以应用于智能视频监控、运动识别等领域。由于实时性、快速运动、光照变化等复杂因素的影响,单目标追踪至今仍旧是一项富有挑战性的任务。本文围绕实时单目标追踪算法展开了研究,主要贡献如下:（1）提出了一种基于多特征融合的浅层学习算法FSCF（Fuzzy Least Squares Support Vector Machine based Correlation Filter）^[44]。在已有的基于双边加权最小二乘模糊支持向量机的算法中,存在计算复杂度高和对形变敏感的问题。为了解决这两个问题,本文提出了基于多特征融合的实时单目标追踪算法FSCF。在所提算法中,针对基于局部HOG（Histograms of Oriented Gradients）特征的分类器,利用相关滤波框架克服耗时的矩阵求逆运算,并通过多基样本扩充训练数据和背景信息;针对基于全局颜色特征的分类器,利用独热编码的数值化优点实现快速计算;最后利用两个分类器的线性组合实现目标追踪。（2）提出了一种基于双通道网络的深度学习算法Siam FC＿plus（Siamese Fully-Convolutional Plus）。在已有的以Siam FC（Siamese Fully-Convolutional）为代表的孪生网络类算法中,性能提升的关键在于离线训练阶段如何能更有效地学习到相似性度量函数。针对这一问题,考虑到双通道网络在度量学习上的准确性和高效性,本文将双通道网络引入单目标追踪领域,提出了一个融合双通道网络和Siam FC的实时单目标追踪算法Siam FC＿plus。在所提算法中,首先通过互相关操作将目标原型图像和搜索区域图像融合在一起;然后经由卷积神经网络提取深度特征;再经由决策层输出目标响应图,最后取响应值最高的位置为目标的新位置,从而实现在线追踪。（3）通过在公开的评测数据集上展开实验,并与同类型中已有的高性能学习算法作比较,验证了所提两个算法（FSCF和Siam FC＿plus）的高效性和鲁棒性。