在计算机视觉中,目标跟踪技术常常用于机器人、智能安防、视觉导航和精准制导等诸多领域。虽然学者在该领域做出了大量的成就,但是设计一个在目标外观发生显著性变化时能够同时保持较好的效率和鲁棒性的跟踪器依旧困难,其原因在于,复杂跟踪器具有较好鲁棒性但效率低下,而简单跟踪器效率较好但是鲁棒性较差。相关滤波器属于简单跟踪器,因此需要提升它的准确性和鲁棒性。本文以相关滤波跟踪框架为基础,聚焦于提升相关滤波器的准确度和鲁棒性,并以工程化的方法优化计算效率,具体在特征提取、边界效应问题和模板漂移问题上进行研究。本文的主要贡献如下:第一,针对特征提取,本文提出了一种跟踪目标表征方法,通过同时提取手工特征和深度特征完成了对跟踪目标的强有力表征。其中手工特征为标准的FHOG特征;深度特征由保持平移不变性的残差网络结构提取,并且针对信息重要性引入了注意力机制来强化目标和背景的区分度,针对尺度引入了图像金字塔机制增强图像对尺度变化的稳健性。本文将整个跟踪机制分为尺度滤波器和位置滤波器两部分,利用高效的手工特征计算尺度滤波器,利用高精度的融合特征计算位置滤波器,完成了精度与速率的权衡。改进特征之后的算法在OTB2015、TC128、UAV123和LaSOT数据集上的成功率分别为83.7%、70.0%、60.9%和31.9%,在成功率得分上高于基准算法-基于学习的背景感知相关滤波器（learning background-aware correlation filters for visual tracking,BACF）,分别高出7.8%、8.7%、4.2%和4.2%。第二,针对边界效应问题,本文提出了一种新的基于空间正则化的目标轮廓自适应估计方法,通过添加空间正则项的方式缓解了边界效应问题。本文在传统的矩形掩模的基础上添加了一种空间正则项,在优化算法中,以迭代空间正则项为增项,可以让滤波器自适应地学习到空间惩罚,当被遮挡的时候,对遮挡部分引入较大的权重惩罚,鼓励学习到的相关滤波器将注意力放在更加可靠的未遮挡区域上。基于OTB2015数据集的消融实验表明,在添加了空间正则项之后,算法的成功率提升了2.0%,相较于基准算法BACF成功率提升了9.8%。第三,针对模板漂移问题,本文提出了一种新的基于时间正则化的目标函数优化方法,通过添加时间正则项的方式缓解了模板漂移问题。本文在标准的相关滤波目标函数上添加了一种时间正则项,让历史高置信度样本约束相关滤波器的更新方向,避免了相邻帧之间相关滤波器产生突变,缓解了跟踪目标外观显著性变时的模板漂移问题。此外,本文提出了一种基于峰值旁瓣相关能量系数的更新策略来完成时间正则项的更新,首先根据峰值旁瓣比提出了峰值旁瓣相关能量系数,并以此设计整套的校验机制,通过该校验机制的滤波器将会被记录,并通过加权融合的方式完成对时间正则项的更新。基于OTB2015数据集的消融实验表明,在添加了时间正则项之后,算法的成功率提升了0.9%,相较于基准算法BACF成功率提升了8.7%。本文针对特征提取、边界效应问题和模板漂移问题展开了深入研究,并进行了改进与增强,使得算法在复杂环境和目标外观显著性变化时仍旧能够保持较好的鲁棒性和效率。算法在OTB2015、TC128、UAV123和LaSOT数据集上的成功率分别为86.2%、76.3%、63.6%和33.0%,相较于BACF分别高出10.3%、15.0%、7.9%和5.3%,同时执行效率保持在12.1fps,具有一定实际运用的价值。