红外目标跟踪算法是计算机视觉领域中一个重要的研究方向,在自动驾驶、智能安防、红外制导等方面都有着极为广泛的应用。红外图像不受光照强弱以及外界环境等因素影响,可以实现全天候的应用。但是,由于红外图像存在着对比度低、边缘特征不明显、信噪比较低等缺点,因此红外目标跟踪算法仍存在诸多挑战。近些年来,在可见光下的目标跟踪算法中,相关滤波算法以其兼顾准确性和速度的优势得到了广泛的应用,而可见光图像与红外图像之间存在着诸多差异,导致相关滤波算法直接应用于红外目标跟踪的效果并不理想。因此本文首先对产生这种问题的原因进行研究,之后针对红外图像的特点改进相关滤波算法。本文的主要研究工作如下:(1)针对于红外图像对比度低、边缘特征不明显等因素造成的红外目标形变、背景干扰,从而导致在跟踪过程中出现模型漂移、跟踪失败的问题,对相关滤波算法中的特征提取部分进行改进,提出了一种基于多特征融合的相关滤波跟踪改进算法。首先采用多线索融合算法将本文提出的三种红外目标特征,OCS-LBP(Oriented Center Symmetric Local Binary Patterns,方向中心对称的局部二值模式)特征、HSC(Histograms of Sparse Codes,稀疏编码直方图)特征和灰度特征进行融合;之后,引入扰动感知模型抑制红外图像背景中相似目标的干扰;最后,采用自适应融合方法将两种算法的响应图结果进行融合,找到融合后的最大响应位置,即跟踪的目标位置。(2)针对红外图像信噪比较低,导致的运动目标模糊以及在跟踪过程中存在的红外目标快速运动、遮挡问题,对相关滤波算法中的模型部分进行改进,提出了一种基于上下文感知的相关滤波跟踪改进算法。算法在目标跟踪过程中引入红外目标的背景信息,以应对由于红外目标不清晰或遮挡而造成的跟踪失败,从而提升算法的性能。(3)为了应对在红外目标跟踪过程中由于严重遮挡或目标丢失造成的模型污染问题,对相关滤波算法中的模型更新策略进行改进,提出了一种高置信度的模型更新策略。这种模型更新策略进一步提升了红外目标跟踪算法的精确度和鲁棒性,防止在跟踪过程中出现模型偏移和模型污染问题。