目标跟踪是视觉图像处理中的一个热门研究领域,近年来在智慧城市、公共安防、军事打击等领域发挥着不可替代的作用。本文在研究传统机器视觉领域的目标跟踪算法基础上,聚焦于提升跟踪算法的精度和抗遮挡能力,针对时空上下文算法（Spatio-temporal Context Learning,STC）和空间正则化相关滤波算法（Learning Spatially Regularized Correlation Filters,SRDCF）存在的问题进行了分析与改进。此外,将改进后的STC算法移植到基于ARM的嵌入式平台上。具体的研究内容如下:（1）针对STC算法在受到光照变化、遮挡和快速运动等强干扰时鲁棒性差以及目标丢失无法重新找回的问题,提出一种结合实时检测和选择性更新的改进时空上下文跟踪算法。引入基于一致性聚类的检测模块,由此判断目标的可见状态并设置跟踪模块学习速率。引入重叠率和汉明距离来判断检测和跟踪模块输出结果的置信度,然后选取最优结果更新跟踪器。在OTB-50数据集上的实验表明,改进的STC算法在原有算法的基础上提高了跟踪鲁棒性和精度,可有效避免跟踪器学习到干扰特征,具备对已丢失目标进行重新匹配的能力。（2）针对SRDCF的空间正则权重固定,在受到遮挡时容易造成滤波器退化等问题。本文提出了一种基于分块判别的自适应时空正则化相关滤波（Partbased Adaptive Spatio-temporal Regularized Correlation Filters for Visual Tracking,PBASF）跟踪算法。首先,基于深度感知构造初始空间正则权重,以有效区分边界框内的前景和背景;其次,在目标函数中通过分块判别自适应的调整空间正则项,以提高相关滤波器的建模能力,最大限度地减少负样本带来的不利影响;最后,添加时间正则项,使相关滤波器进一步减少过拟合的发生。此外,应用方向交替乘子法（ADMM）对算法进行优化,提升算法实时跟踪的速度。在OTB-2013和OTB-2015数据集上进行评估实验,结果表明,所提出的PBASF跟踪算法在综合性能和鲁棒性方面都具有优越性,其跟踪性能优于多数时下最先进的跟踪器。（3）为了使改进算法能够拥有更加广泛的应用场景,将改进的时空上下文算法移植到嵌入式平台下,在Raspberry Pi OS操作系统中,搭建QT、OpenCV开发环境,实现了对运动目标的视觉跟踪任务。实验结果表明,在嵌入式环境下,改进算法运行流畅、可移植性高且对目标具备较强的稳定跟踪能力。