目标跟踪是计算机视觉领域研究的一个重要分支。跟踪任务难度的不断增强以及目标所在场景的不断变化,使得跟踪过程面临很大的挑战。如何根据有限的样本构造出合适的匹配模板集合以及如何解决单一特征在跟踪过程中的不稳定性是目前目标跟踪领域的重要研究方向,也是本文研究的主要内容。样本的选择在目标跟踪过程中起到至关重要的作用。为了更好的进行样本选择,我们提出一种基于非负最小二乘的在线样本选择算法。对于判别型跟踪方法而言,通常构造一个模板集合,通过得分函数来衡量候选样本与模板之间的匹配程度,进而判断目标所在位置。模板中训练样本过少,模型不能够很好地表征目标的真实情况;反之模型过于复杂不利于计算。而基于非负最小二乘的在线样本选择算法能够把模板集合看作为代表性样本的线性组合,建立目标函数,并通过系数约束模型选取代表性样本,从而解决样本选择的问题。同时能够将目标函数转化为最小二乘问题,利用标准非负最小二乘方法对模型求解。针对单一特征对目标属性的表征能力不能处理复杂的场景变化这一问题,提出一种基于相关滤波的多特征融合的目标跟踪算法。该算法采用不同特征在相关滤波上最大的响应位点的加权平均来确定目标的中心位点。多特征融合能够利用不同特征之间的互补性,提高对复杂场景的适应程度,弥补单一特征跟踪不鲁棒的缺点,从而提升跟踪性能。同时各个特征的响应位点的权重采用所对应的最大响应值来确定,能够充分发挥响应位点的作用,增强算法的鲁棒性。为了验证设计算法的性能,本文主要基于在OTB2013和OTB2015测试集上进行实验分析。两个测试集共包含30多种目标跟踪方法和100个视频测试序列。实验结果表明,本文提出的方法相对于经典算法以及目前处于领先水平的算法在性能上都有所提升。