目标跟踪是计算机视觉领域的核心研究方向之一,在军事和民用方面都有着非常重要的实用价值和研究前景。近年来,随着众多学者的深入研究,优秀的跟踪算法不断涌现,然而在实际跟踪过程中,受到目标形变、光照变化、目标遮挡、相似背景等多种复杂因素的影响,使得许多算法的跟踪效果差,因此,亟需构建一个鲁棒的目标跟踪算法来完成复杂场景下的目标跟踪任务。针对上述问题,本文深入研究现有的跟踪算法和基本理论,对现阶段目标跟踪算法在复杂场景应用中的不足,进行相应的改进,并构建了更加鲁棒的跟踪算法以应对跟踪过程中的各种挑战。主要研究工作有:1、提出了一种基于目标检测思想的抗遮挡跟踪算法,将卡尔曼滤波、Mean Shift算法和支持向量机（SVM）分类器进行融合,并增加遮挡判断机制。目标未被遮挡或者局部遮挡时,用卡尔曼滤波器辅助预测目标位置,并将其作为改进后的Mean Shift算法的迭代初始点,这样不仅可以减少漂移算法的迭代次数,减少算法的计算量,同时在高速运动和遮挡情况下能够准确定位目标位置并进行跟踪。在判断目标严重遮挡或者完全遮挡时激活SVM检测器,在一定范围内检测目标位置,并用其更新上述算法的实时位置,可以在脱离长时间严重遮挡时捕捉到目标。2、提出在孪生神经网络中引入极限学习机（ELM）进行位置预测,可以根据过去几帧的目标运动信息等预测出目标下一帧可能出现的位置信息,用该位置作为孪生跟踪网络候选搜索框的中心点,采取密集连接的网络结构,更加充分地利用之前帧目标信息,解决孪生神经网络在目标高速运动情况下跟踪效果差的问题。此外,充分利用ELM中的运动信息可以在遮挡情况下继续对目标进行位置预测,提升了跟踪器在遮挡场景下的鲁棒性。在标准数据集上进行大量的仿真对比实验,实验结果表明,与现有的跟踪算法相比,本文提出的算法在高速运动和部分遮挡等复杂场景下具有鲁棒性.图15表4参80