目标跟踪是计算机视觉领域中的一个重要研究方向,其发展能够推动视频智能处理技术以及智能机器人技术的突破。目标跟踪的主要任务是对于任意视频序列,给定第一帧中目标位置及尺寸等相关信息,准确地定位出剩余视频序列帧中的目标。虽然当前已经有很多算法在测试数据库上取得了不错的跟踪效果,但是在一些复杂的跟踪场景下,现有跟踪器的性能还达不到理想的跟踪状态。本文针对基于相关滤波结构以及深度学习跟踪框架中存在的问题,分别从增强相关滤波跟踪框架的稳定性、解决深度学习中带有标签的训练数据不足以及提升目标边界框预测的准确性三个方面进行了研究。主要研究内容如下:（1）提出一种基于粒子滤波重检测的跟踪算法,用来解决基于相关滤波框架的跟踪器在某些复杂的跟踪场景中无法准确定位目标的问题。大多数基于相关滤波框架的跟踪算法都可以实现良好的性能并保持快速的跟踪速度,但是这类算法过度依赖于最大响应值来确定目标的位置。因此在跟踪过程中,当目标受到干扰导致响应图会变得不理想时,该类算法的跟踪目标很容易丢失。而重检测模型可以通过重采样策略提供丰富的候选样本,从而对跟踪的目标进行重新定位。此外,还提供了一种新的目标尺度评估机制,该机制仅考虑连续帧中最大响应值之间的差异来确定目标的尺度变化。（2）提出一种基于时间正则化策略的跟踪算法,用来提升背景感知相关滤波跟踪器的跟踪性能。基于相关滤波框架的跟踪器的优势源于其可以把时域计算转换为频域计算的能力。但是这些算法存在的一个重要问题是跟踪器容易受到遮挡、形变和其他具有挑战性的因素的影响而丢失跟踪目标。考虑时间序列中运动目标在连续帧之间的关系,通过前一帧的目标有效地调整滤波器模型使其适应跟踪场景的变化,从而增强跟踪器的稳定性和准确性。此外,该跟踪器的目标函数可以通过改进的交替乘子法进行求解,从而保证跟踪器具有实时的跟踪速度。（3）提出一种基于自监督学习的跟踪算法,用来缓解带有标注的训练数据不足的问题。基于深度学习的跟踪器的特征提取网络的训练通常需要大量的手动标注的训练样本,而训练数据的标注是一个耗时且昂贵的过程。通过在Siamese相关跟踪框架下采用前后向跟踪的方式给无标注的训练数据生成伪标签,利用多周期一致性损失来训练特征提取网络。此外,提出了一种低相似性丢弃策略来剔除一些低质量的训练样本对,并在每个样本对中采用循环轨迹一致性损失来协同训练网络,可以在降低模型对标签需求的同时保证跟踪器的跟踪性能。（4）提出一种基于主动学习的跟踪算法,用来降低模型对标注数据规模的需求。训练用于跟踪任务的深度网络模型需要大量带有标签的训练样本,这使得在有限数据上训练的模型的表示能力受到了限制。在主动学习的指导下,基于训练好的模型的跟踪器可以在降低标注成本的同时实现具有竞争性的跟踪性能。具体来说,为了确保所选样本的多样性,提出了一种基于多帧协作的主动学习方法来选择需要被标注的训练样本。同时,考虑到选定样本的代表性,采用基于平均最近邻距离的最近邻判别方法来筛选和剔除孤立样本和低质量样本。此外,还采用Tversky损失来改进跟踪器的边界框估计,这可以使跟踪器获得更准确的目标状态。（5）提出一种基于距离交并比损失的跟踪算法,用来对目标边界框进行精确估计。所采用的跟踪器由目标估计部分和目标分类部分组成。大多数现有跟踪器都是基于分类器和多尺度估计来预测目标状态,这使得其跟踪精度较差。尽管某些跟踪器采用基于交并比损失的最大重叠方法来缓解此问题,但是交并比损失固有的缺陷也很难准确估计目标的真实状态。距离交并比损失可以在保持交并比损失优势的同时最小化两个边界框的中心点之间的距离,从而使目标估计更加准确。分类部分可以给出目标的粗略位置,利用该位置信息可以生成不同的候选边界框。通过训练目标估计部分来预测目标真实边界框和候选边界框之间的距离交并比分数来确定目标最终的位置信息。