社会的快速发展使得人们的生活和计算机视觉的联系越来越紧密,导致目标跟踪在智能驾驶、机器人与监控系统等领域受到了极大关注,目标跟踪在各类系统的应用也越来越广泛。目前,目标跟踪算法依然存在很多问题,例如在复杂背景、快速运动等多种情况下,目标跟踪的成功率低等。近些年随着机器学习相关技术的迅猛发展,基于机器学习的目标跟踪算法进展也十分迅速,但是需要有大量多种场景图片的标准数据来训练卷积参数,其中涉及到十分庞大的运算量。虽然可以使用GPU来加速计算,但是其所需要计算的任务量并没有减少,在使用训练的权重文件去执行跟踪任务时,依然需要卷积操作,使得算法的整体执行效率不高,在实际的场景中依然无法达到实时处理的效果,对于实际的应用来说还是存在障碍。基于相关滤波的目标跟踪算法在处理速度上有着非常大的优势,短时间内的跟踪效果非常好。但是随着跟踪目标的姿态与所处环境的不断变化,相关滤波器的模型十分容易受到污染从而造成跟踪失败。本文首先分析了相关滤波算法的原理,介绍了特征提取模块的工作流程,将灰度特征、形状特征和边缘特征做了详尽的对比,根据他们各自的特点并结合在特征表达上的盲区,提出了融合边缘特征的多特征融合算法,在特征提取方面改进目标跟踪算法的精度。边缘特征相比与形状特征,更加细致的描述目标,并将边缘特征和HOG特征与灰度特征融合在一起,提高了目标跟踪的精度和重合度,对于跟踪效果有显著的提升。改进特征提取模块虽然提高了目标跟踪的稳定性,但是并未解决在长时间的目标跟踪任务中模型很容易被污染,会出现跟踪漂移和模型污染的问题。为此,引入了机器学习模块,将基于机器学习的目标检测算法设计为相关滤波的目标跟踪修正器,依靠相关滤波在短时间内优秀的跟踪性能和机器学习目标检测良好的精度,相互弥补对方不足,同时根据机器学习目标检测的结果,提供更加可靠的候选框,修正相关滤波模块的学习率和跟踪尺度,从而实现学习率和尺度信息自动适应,使得相关滤波模块提取到的目标特征更加精准,从而保证目标跟踪算法的精度。在OTB公开数据集上做性能测试,目标跟踪精度得到了有效的提升。将改进后的相关滤波与机器学习融合的目标跟踪算法应用到具体的场景下,设计一个相关滤波与机器学习融合的目标跟踪系统。根据本文在目标跟踪领域所做的相关工作,基于B/S的软件架构设计并实现了本系统,并通过用户服务层、算法模型层、应用支撑层和硬件基础层四个方面对系统进行分析,对其功能做了详细的说明并列出了系统的结构层级图,对系统的流程和用户界面做了展示和描述,具有一定的创作意义和研究价值。