计算机视觉跟踪技术在智能交通、监控、人机交互等领域有着广泛的应用,随着计算机性能的不断提升,以及人工智能等技术的快速发展,视觉跟踪技术也取得了长足的进步。然而现有的跟踪算法在遇到复杂环境变化,以及目标自身表观模型的改变时,存在高精度的跟踪算法不易满足实时性要求,快速的跟踪算法的精度不高的问题。因此本文结合深度学习和相关滤波视觉跟踪框架,以保证实时跟踪为前提,尽可能提升跟踪的精度为目标,从深度卷积特征选取、相关滤波模型训练、目标位置预测、模型更新四个方面进行算法改进,提出了四种视觉跟踪算法,其主要工作如下:(1)为减少深度卷积特征的冗余性,提高算法速度和精度,设计了一种自适应卷积特征选择算法。该算法利用目标区域与搜索区域的特征均值比对卷积层和卷积通道进行评估,选择有效卷积特征进行目标跟踪。在OTB-100数据集上对该算法进行了测试,平均距离精度达86.4%,速度达29.9帧/秒,满足实时跟踪的要求。(2)为充分利用不同卷积层特征的优势,设计了一种自适应卷积特征切换跟踪算法。该算法选用了跟踪性能较好的两层中高层卷积特征,使用自适应卷积特征选择算法减少卷积通道数,同时利用峰旁比选择每一帧适合的单层卷积特征进行跟踪,保证实时跟踪的前提下提升了跟踪的准确度。在OTB-100数据集上进行测试,跟踪的平均距离精度达89.3%,平均速度为25.8帧/秒,提升了跟踪精度,达到实时跟踪的要求。(3)根据每个卷积通道的不同特性,提出了一种基于通道可靠性加权的精定位跟踪算法。该算法先选取适合目标跟踪的单层卷积特征,利用自适应卷积特征选择算法选取有效卷积特征,减少特征的维度,提高跟踪速度;然后为了避免卷积特征层数和通道数减少对跟踪精度的影响,构造了通道加权相关滤波算法提高目标跟踪精度,并利用峰旁比评估目标定位的可靠性,通过帧差均值最小化精定位算法抑制累积误差,提升定位准确性。在OTB-100数据集上对算法进行测试,平均距离精度为91.3%,跟踪速度达31.9帧/秒,进一步提高了跟踪的精度和速度。(4)为了提升算法整体的鲁棒性,提出了基于通道裁剪的连续卷积跟踪算法。该算法选用裁剪的卷积模型提高卷积特征的计算速度,对选取的卷积特征进行通道裁剪,减少卷积特征的维度,同时融合梯度直方图和颜色属性特征,在连续卷积相关滤波框架下进行跟踪,采用自适应迭代方法减少精定位迭代次数,提升跟踪的实时性。在OTB-2013、OTB-2015、VOT-2016和VOT-2017数据集上对提出的算法进行了测试,在OTB-100上的跟踪精度达到了93.8%,进一步提升了跟踪算法的精度和稳定性。