目标跟踪广泛应用于视频监控、人机交互、视觉导航、医学诊断等多个领域,近些年目标跟踪的技术取得了重大发展,但仍然面临着一些挑战。目标快速运动导致边界效应,边缘处检测时受背景信息的干扰,导致跟踪框漂移。跟踪的目标长时间被完全遮挡后又出现到视野中,跟踪算法对背景错误响应影响目标模型更新结果,从而导致跟踪失败。因此,本文基于核相关滤波的跟踪算法的基础上进行深入研究,提出一些改进的方法,主要研究的内容和创新点如下:提出了一种基于混合高斯模型的目标有效信息区分检测机制。首先融入目标区域的局部图像显著性来得到BRISK算法阈值,然后采样得到图像内关键的特征点,利用光流法将移除图像的异常特征点筛除,接下来对目标区域中图像进行均匀分块,根据块图像中心特征点的分布特征建立起混合高斯模型,再对于块图像内剩余特征点分别与模型进行匹配,若匹配成功则为背景特征点,否则为目标特征点,通过混合高斯模型对复杂情景下目标和背景信息进行有效的区分。最后将块图像内特征点输入到朴素贝叶斯分类器中计算特征得分,通过特征得分调整输出框的位置,并根据块图像与目标位置的相似度分配的权重值组成强检测器,进而弱化跟踪框内目标边缘处背景信息对滤波器分类的影响。提出了一种多卷积层特征激活映射的目标跟踪改进方法。首先图像增强处理后利用局部特征进行卷积操作的非线性映射,通过细节互补重建出高分辨网络模型结构,在卷积神经网络框架下对图像不同分辨率中进行多尺度特征提取,然后利用梯度加权的类激活映射将目标像素空间梯度引入导向反向传播中,使得多卷积层特征图谱突出细粒度细节,从而减少图像内噪声对算法模型的目标定位产生误差。最后判别式稀疏编码的权重值自适应融合多卷积层特征响应结果,提高跟踪算法的准确度。本文通过视频序列实验与多个传统的目标跟踪算法进行对比分析,结果表明,基于混合高斯模型的目标有效信息区分检测机制,可以缓解快速运动后图像模糊产生的边界效应,减轻跟踪滤波器对目标响应时受到背景信息的干扰。当目标长时间遮挡后出现,检测机制根据学习模块的约束项重新定位到目标区域。多卷积层特征激活映射的目标跟踪改进方法,利用边缘处细节特征得到互补的高分辨率网络模型提取更多的目标特征信息,提高复杂情景下目标跟踪的稳定性,特征图类激活映射后融合滤波器响应结果,提高算法的鲁棒性。