近年来,在计算机视觉领域,视觉目标跟踪技术日益成为研究热点。基于相关滤波的目标跟踪算法在满足跟踪实时性要求的同时,跟踪性能也表现优异,因而在视觉目标跟踪领域受到了广泛关注。然而,此类算法在复杂多变的跟踪场景下,仍面临诸多挑战。本文针对复杂场景中的挑战因素,在相关滤波跟踪框架的基础上提出了两种改进算法,有效提高了算法在背景混乱、大范围形变、遮挡和旋转等复杂场景下的鲁棒性。本文的研究成果和主要贡献如下:1.提出了一种自适应上下文感知相关滤波类目标跟踪算法。传统的相关滤波类目标跟踪算法由于余弦窗和搜索区域的限制,导致滤波模板学习到的目标周围的的背景信息过少,在大范围形变和复杂背景干扰的场景下,容易产生跟踪漂移。上下文感知算法中提出了一个框架允许将全局上下文信息纳入相关滤波跟踪器,但其没有具体计算全局上下文信息对目标的干扰程度而直接采用相同的抑制权重,无法对干扰程度不同的背景信息自适应赋予不同程度的抑制。为此,本文对传统相关滤波类目标跟踪算法做了以下改进:（1）将目标上下文背景信息训练到滤波器中,提升滤波器模板对于目标和上下文背景信息的分类能力;（2）提出一个上下文信息干扰系数公式,用于定量评估目标上下文信息对于目标的干扰程度;（3）引入一个自适应权重系数向量,作为上下文背景区域的抑制系数,同时基于上下文信息干扰系数公式计算的结果,实现上下文区域与自适应权重系数向量的匹配,从而使得对目标干扰程度越大的上下文信息,被抑制的程度越大。最后,在目标跟踪标准数据集上对算法性能进行验证,结果表明提出算法的跟踪成功率和精确度较基准算法分别提升了5.7%和4.3%,同时对复杂背景干扰和大范围形变等跟踪难点问题具有较强的鲁棒性。2.提出了一种融合光流估计的相关滤波类目标跟踪算法。目前主流相关滤波类目标跟踪算法提取的HOG或CN等模板类特征对旋转和变形较为敏感,且每帧固定学习率的更新策略容易引起模型退化问题。为此,本文结合局部角点在运动目标发生尺度、旋转变化或是被遮挡时仍能被准确检测到的特性,对主流相关滤波类目标跟踪算法做了以下改进:（1）提取感兴趣区域的HOG特征作为相关滤波跟踪模型的特征输入,然后基于响应检测模块,对每帧图像的响应结果进行置信度检测,当判定跟踪置信度较低时,则开启基于Harris角点特征的光流估计模型,并将其和相关滤波模型的输出偏移量进行融合,使得模板类特征和局部角点特征优势互补,从而确定最优的跟踪位置,反之,则仅采用效率高的相关滤波模型;（2）提出一种模板自适应学习率调整方案,根据当前帧的跟踪结果有选择的调整学习率,以解决模板退化问题。最后,在目标跟踪标准数据集上对算法性能进行验证,结果表明相较于基准算法,提出算法在遮挡场景下的跟踪成功率提升了6%,在旋转场景下的跟踪成功率提升了3.4%,在形变场景下的跟踪成功率提升了2.9%。