目标跟踪是计算机视觉中的一项重要任务,其可被定义为估计目标在场景中运动时其在图像平面中的运动轨迹和尺度变化。视觉运动目标跟踪任务具有很大的挑战性,因为对于运动目标而言其运动场景非常复杂并且频繁发生变化,甚至目标本身也在不断变化。目标跟踪本身是一个在线任务,其同时对跟踪精度和跟踪速度都有较高的要求。目前,大部分传统算法无法满足精度要求,深度学习方法难以满足实时性要求。本文提出了一种基于自适应特征组合的空间感知相关滤波器,其能在保证实时性的前提下具有较高的跟踪精度。本文的主要贡献分为以下两部分:(1)通过分析基于孪生网络的跟踪算法以及相关滤波跟踪算法的特点,本文提出一种空间感知相关滤波器。基于相关滤波的跟踪算法使用循环采样造成正样本会被背景信息污染(边界效应),使得相关滤波器的训练和检测区域受到限制,而使用余弦窗抑制边界效应会造成有效检测区域进一步缩小,这一特性使得相关滤波器无法应对快速运动的场景。针对这一问题,提出了利用孪生网络来扩展相关滤波跟踪器的搜索区域的策略,并将孪生网络的跟踪结果作为一条线索。一方面,孪生网络始终使用第一帧作为模板,能够应对模型漂移;另一方面,孪生网络的搜索区域不受限制,可以在发生快速运动时提供一个可靠的空间线索。最后,通过提出的一种空间选择机制选择出更可靠的空间。本文提出的空间感知相关滤波器在OTB-2015上取得了0.865的距离精度、0.656的重叠精度和32的帧率,跟踪精度超过所有的使用手工特征的跟踪器。(2)本文提出的空间感知相关滤波器使用一种多线索的跟踪框架集成了多个使用不同特征组合的相关滤波器和一个孪生网络跟踪器,这种多线索跟踪框架采用穷举特征组合的方式,并为每种特征组合训练一个对应的相关滤波器,这种方式虽然能保证较好的跟踪精度,但需要训练的滤波器数量较多会增加算法的时间复杂度。针对这一问题,本文提出了一种自适应特征组合的机制来改进这种多线索的跟踪框架,其能够自适应的在复杂的动态跟踪场景中选择出一些合适的相关滤波器,其能够减少所需要训练的相关滤波器的数量以提高跟踪精度。本文提出的基于自适应特征组合的空间感知相关滤波器在OTB-2015上取得了0.859的距离精度和0.654的重叠精度和47的帧率。