近几十年,目标跟踪技术发展迅猛,其无论是在军用还是民用方面都得了广泛应用。核相关滤波算法由于其速度快、精度高,在目标跟踪算法中占有越来越重要的地位。但由于跟踪环境复杂多样,存在光照变化、遮挡、背景和尺度变化等多因素干扰,影响目标跟踪算法的精确性,甚至严重时会丢失跟踪目标。针对上述问题,本文对核相关滤波算法进行了改进,使其在跟踪精度上较原算法提高了28.26%,具体内容如下:首先,针对外部环境的光照变化和目标快移动问题,在核相关滤波算法的方向梯度直方图特征模型上,加入LLE(Locally Linear Embedding)降维颜色特征模型,并依据两种模型在频域中的滤波响应,分配各自的权重。另外,为防止模型间出现过拟合现象,对权重进行增加惩罚项处理。通过定量和定性实验分析,表明改进算法在处理目标抖动、光照和目标快速平移等方面具有良好的效果。接着,对于跟踪过程中的目标尺度变化问题,提出将目标坐标信息进行对数极坐标变换,这样目标尺度的非线性变化就能转为对数极坐标轴的线性平移,并引入亚像素来提高对数极坐标变换后的图像质量。同时,通过相邻帧间的对数极坐标信息训练相位相关滤波器,依据滤波最大响应计算出目标的尺度和旋转角度。再有针对遮挡问题,引入判断机制,将每帧目标图像对应的波峰震荡和峰值旁瓣比相结合,并依据此机制来决定是否更新目标模型。实验表明了该改进算法的有效性。最后,为了进一步提高核相关滤波算法的精度,基于深度学习对目标跟踪算法的位置和尺度进行了改进。提取训练好的VGG-Net-19网络模型中的两个卷积层深度特征,将两种特征加权相连,并引入第一帧目标的丰富信息,得到最佳的滤波位置响应。同时,利用尺度因子建立尺度池,来解决深度学习下的核相关滤波算法尺度问题。通过实验表明了该改进算法对提高跟踪精度有着良好的效果。