视觉目标跟踪是计算机视觉领域的基础技术,在现代已经在多个领域有所应用,例如无人机、医学图像处理、视频监控、自动驾驶、机器人等等。由于视觉目标跟踪的训练数据只有第一帧,且经常存在目标变形、遮挡、背景杂乱、中途移出视野等情况,视觉目标跟踪研究在目前仍然具有挑战性。基于相关滤波器的视觉跟踪算法是近年来的主流跟踪范式。根据卷积定理,循环卷积等于频域中的元素相乘,因而该类算法具有高效的运行效率与较好的跟踪性能。基于相关滤波器跟踪算法可以分成两类:线性相关滤波跟踪器和核相关滤波器。目前,大多相关滤波跟踪器采的更新策略本质上是自回归模型,易使跟踪器过拟合当前帧。若当前帧存在遮挡、背景杂乱等情况,滤波器容易错误更新其参数,从而可能导致跟踪失败。针对于此,本文以核相关滤波器为研究对象,首先设计一种适用于核相关滤波器的时间正则化,使核滤波器能够自适应地在用最新样本更新相关滤波器和保持与先前学习的相关滤波器之间取得平衡。接着,设计加权APCE更新策略,以提高核相关滤波器的跟踪效果。最后,基于时间正则化和加权APCE更新策略,提出一种融合时间正则化与尺度自适应的核相关滤波跟踪器算法。在经典视觉跟踪数据集OTB上与现有的核相关滤波跟踪器算法做对比试验,并从总体跟踪性能的量化结果、序列属性的定量跟踪性能结果、定性跟踪性能结果三个角度分析,说明了本文方法的有效性。