目标跟踪一直以来都是计算机视觉领域中的关键问题,在视频检索、无人驾驶、智能监控系统、工业机器人等领域发挥着重要的作用。近年来,随着计算机硬件技术的不断完善以及人工智能领域的飞速发展,运动目标跟踪问题得到了越来越多的关注。虽然目标跟踪的算法有很多,但是在复杂条件下实现准确的跟踪这一问题并未得到很好的解决。核相关滤波算法（Kernel Correlation Filtering,KCF）在2014年被提出后,引起了研究人员的广泛关注。它通过傅里叶变换将时域的计算转换到频域中进行,大量简化了计算,不但提高了跟踪速度,而且在跟踪精度上也有很大的提升。本文针对复杂条件下的目标跟踪问题,在确保算法实时性的前提下,在KCF的基础上对其特征、尺度以及模型更新机制进行改进。提出了一种尺度自适应的多特征融合目标跟踪算法,显著提高了目标跟踪算法在复杂条件下（尺度变化、目标遮挡以及图像模糊）的跟踪精度。本文算法的主要创新点如下:（1）针对目标跟踪过程中图像质量过低问题,本文基于核相关滤波算法提出了一种多特征融合算法。针对每种特征在不同环境下优势,将其进行融合。由于在目标跟踪中会出现各种干扰的情况,我们将方向梯度特征（HOG）、颜色特征（CN）、灰度特征（Gray）和卷积神将网络特征（CNN）进行融合。将融合后的结果作为最终跟踪中所使用的特征。同时在特征提取的过程中加入模型空间裁剪策略,在保证样本质量的前提下提升了样本的数量,训练出性能更加优良的分类器。通过实验分析我们得到:相比于经典的KCF算法,我们使用的多特征融合算法具有更高的跟踪精度,但也存在缺陷。接下来我们针对所存在的缺陷在目标尺度以及模型更新上进行了改进。（2）针对目标跟踪过程中目标尺度变化问题,本文在核相关滤波的基础上提出了一种分类树形尺度自适应的算法。通过树形搜索方式对目标尺度的大小进行判断,找到最佳响应的位置。相比于传统算法,我们的算法在进行相同计算次数的前提下能够得到更加精确的目标尺度。（3）针对目标跟踪过程中出现的遮挡与消失问题,本文基于核相关滤波提出了一种自适应模型更新策略的算法。由于跟踪过程中错误帧的更新会影响模型的精度,本文首先通过多峰值检测判断当前帧是否达到更新的标准,对不符合要求的图片不进行更新;然后对满足要求的图片使用当前帧与历史帧峰值比较的方法来确定模型更新中学习率的大小。通过实验分析,本文的算法在尺度变化、目标遮挡和图像模糊情况下仍能实现准确的跟踪。在数据集OTB-2013中算法整体的跟踪精确度达到了 87.4%,成功率也达到了67.1%;相比于MOSSE算法,跟踪精确度提高了 26.4%,成功率提高了 21.4%;相比于KCF算法,精度提高了 9.0%,成功率提高了 12.0%,具有非常大幅度的提高。