目标跟踪作为计算机视觉的一个重要研究方向,近些年来已取得了很多具有重要意义的进展,不少成熟的跟踪方案已被相继嵌入到工业化系统中。基于相关滤波的目标跟踪方法,近几年来一直是跟踪领域的热门研究方向。该方法利用循环矩阵的结构特性来节省样本采集步骤,可以解决传统方法中存在的训练样本过少以及定位精度不够高等问题。然而在该方法中,由于训练样本受边界效应等原因,跟踪器在背景干扰以及目标出现形变、旋转等情况时,性能会发生显著下降。本文将围绕基于相关滤波的跟踪算法框架,从跟踪器的训练阶段与预测定位阶段两个角度对该框架进行改进。主要工作总结如下:首先,本文对相关滤波目标跟踪框架的工作原理进行了详细的阐述,并针对相关滤波方法中由于周期性假设而存在的样本边界效应问题,引入一种对偶约束项以改善模型对非真实样本过拟合的问题。改进后的滤波器可以通过交叉迭代的方式求解得到。在参数对比实验选取适合本文要求的实验参数后,通过与原基准算法之间的对照实验结果,本章可以验证改进算法对滤波器边界效应的抑制作用。其次,本文从原理上对比分析了结构化间隔最大化方法中样本训练的优越性,结合并考虑相关滤波类方法中样本存在的类别不平衡问题,提出一种结合循环矩阵的最大化间隔约束条件。针对原始训练机制较难优化的问题,本文在上一章算法基础上,提出一种结构化间隔损失的对偶项,使得经过本章算法改进过后得到的滤波器仍可以通过交叉迭代的求解方式得到,实验结果表明,当搜索区域内目标与背景信息比例在一定范围内时,本章算法可以进一步地提升滤波器的跟踪性能。最后,本文还针对在线更新类跟踪方法中存在的跟踪漂移问题,提出一种结合卷积特征响应特性的再检测机制。针对加入卷积特征提取过后,滤波器对目标尺度变化的自适应性问题,本文还提出一种目标尺度搜索方案,能够以更少的计算量近似达到尺度金字塔策略的效果。考虑算法的实时性,实验过程还对提取的卷积特征进行了在线的降维处理。实验结果表明,本章算法能够很好地提升原算法的跟踪鲁棒性。本文中所有实验均在拥有100个视频序列的标准数据集OTB100上进行了仿真验证。为了验证本文算法的先进性,本文还对本文算法与其它几种先进算法进行了性能对比。实验结果表明,经本文算法改进后,相关滤波器的跟踪精确度以及鲁棒性可以得到一定的提升。