随着5G、大数据、人工智能等高新科技不断发展,目标跟踪技术已经成为计算机视觉的一个重要研究热点,为后续的目标智能行为分析工作提供有效帮助,广泛应用在安防监控、军事制导、智能交通以及视觉导航等领域。相关滤波目标跟踪算法具有较强的稳定性和鲁棒性,是近年来判别式跟踪算法的重要里程碑。在实际应用环境中,跟踪算法面临着场景多样性和目标尺度变化复杂等难点,多尺度核相关目标跟踪算法能有效地提高跟踪性能。目标尺度估计的准确度对跟踪性能具有重要影响,但是随着检测尺度数量的增加,其跟踪时间效率会严重下降,从而导致了多尺度跟踪算法的非实时性。本论文采用两种改进策略充分利用跟踪结果的反馈信息进行分类处理,提出了基于响应判别的多尺度相关滤波跟踪算法。改进策略1基于跟踪目标多分辨率分段预处理方法,能有效提高低分辨率属性视频的跟踪性能。改进策略2基于响应判别的多尺度检测方法,通过最大响应峰值的判别分类处理,对于目标跟踪较为准确的视频帧不进行多尺度检测,从而节省大量运算时间;对于目标跟踪性能不准确的视频帧进行多尺度检测,从而修正结果提高跟踪性能。在OTB50、OTB100、TC128和UAV123数据集上对比当前先进的多尺度相关滤波目标跟踪算法,实验结果表明本文改进的算法不但能够有效地提高跟踪速度,实现实时目标跟踪,而且跟踪性能也有显著提升。在OTB100视频库中,本文改进算法的DP精确度平均得分比SAMF、SAMF_CA、fDSST、DSST、KCF算法分别提高了 4.4%、0.3%、7.1%、10.1%和 10%;AUC 成功率平均得分分别提高了 2.7%、0.5%、2.5%、5.7%和10.3%;本文改进算法的目标跟踪速度分别是SAMF、SAMF CA算法的1.65倍和1.93倍。