目标跟踪是计算机视觉研究中一个重要内容,在智能监控、自动驾驶、医疗诊断等各个领域中都有着广泛的应用。然而实际的跟踪应用面临各种复杂环境场景,仍然存在许多问题亟需解决,因此,探索高效鲁棒的跟踪算法具有重要的研究意义。本文针对具体的难点问题,分别从基于相关滤波跟踪框架和基于孪生网络跟踪框架出发,提出相应解决方案来提高跟踪性能,降低背景噪声,剧烈外观变化等因素的影响,并通过实验来验证所提方法的有效性,具体研究工作包含以下两方面:(1)针对相关滤波方法假设跟踪目标的形状是一个服从高斯分布的轴对齐矩形框,不可避免的引入背景信息,影响跟踪性能的问题。提出融合多线索背景信息的相关滤波跟踪算法,通过独立训练两个相关滤波器来提高跟踪性能。算法在相关滤波跟踪框架下,首先采样样本图像训练第一个滤波器,生成目标响应点。然后利用高斯插值的方式得到其它响应点,第一个滤波器生成的所有响应点看成是先验目标响应并用于训练第二个滤波器。预测目标位置时,联合第一个滤波器的目标响应得到最终的跟踪结果。模型更新时,引入高置信度模型更新策略来缓解模型漂移的问题,公开基准数据集上的实验结果表明所提方法的有效性。(2)针对一些基于孪生网络的目标跟踪算法未能充分利用深度特征,低层特征之间的互补特性,提取特征过程中引入背景信息,影响跟踪性能的问题。提出多线索级联的端到端深度目标跟踪算法。首先利用预训练卷积神经网络提取深度特征并结合低层手工特征,分别进行分层特征学习。然后嵌入到动态孪生匹配网络跟踪框架中进行端到端训练。为了降低背景干扰的影响,在高层特征学习过程中添加正则化约束,进一步抑制背景信息的影响。最后每一层的特征响应进行融合,得到最终跟踪结果。在公开基准数据集上的实验表明,所提方法增强了对复杂场景下的鲁棒性。