在当前人工智能发展的浪潮里,视频跟踪技术在智能监控、人机交互、智能交通等多个工程领域中发挥重要作用。尽管近年来随着机器学习方法在视频跟踪领域的深入应用,视频跟踪技术已经取得了不俗的进步,但是仍然面临着诸多问题与挑战。本文以跟踪器所面临的目标尺度变化的挑战为出发点,提出了两种基于判别式模型多尺度跟踪方法。本文提出的两种判别式跟踪方法均利用了一个关键模型——核化尺度相关滤波器。该尺度相关滤波器是本文利用非线性核技巧对一种线性尺度相关滤波器核化后的模型。核化尺度相关滤波器能够有效估计高达33种尺度变化。针对现有的对偶线性结构化支持向量机DLSSVM(Dual Linear Structured Support Vector Machine)跟踪算法的多尺度估计问题,本文提出了一种基于对偶线性的结构化支持向量机与尺度相关滤波器联合输出的判别式多尺度跟踪方法。DLSSVM模型作为跟踪器的目标位置估计模块,核化尺度相关滤波器作为跟踪器的多尺度估计模块。在尺度相关滤波器提供精准的尺度估计情况下,DLSSVM模型的在线分类器能够良好地学习目标的外观模型,实现了性能提升。针对现有的全卷积孪生网络SiamFC(Fully-Convolutional Siamese Networks)跟踪算法的多尺度估计不足问题,提出了一种基于自适应尺度空间的全卷积孪生网络的跟踪方法。该方法利用基于高斯核的尺度相关滤波器自适应地调整全卷积孪生网络的多尺度搜索空间,然后孪生网络从多尺度搜索空间中判别出目标的位置与尺度。该方法间接地突破了SiamFC检测多尺度范围小的问题,从而实现了跟踪性能的提升。在目前视频跟踪主流数据集上的大量实验证明,提出的两个跟踪方法不仅显著地改善了原跟踪器在应对尺度变化时的性能,还让跟踪器在应对其他各种挑战时也有着不同程度的性能提升。