现如今,计算机视觉技术在人脸识别、无人驾驶、智能监控等领域均得到了广泛的应用。这些应用领域中的关键技术之一就是目标跟踪。目前目标跟踪算法的主要技术路线有两种,分别是基于相关滤波和基于深度学习,以这两种技术为基础研究出了许多优秀的跟踪算法。目标跟踪的场景往往是复杂多变的,在目标遮挡、光照变化、尺度变化等复杂场景下,目标容易在跟踪过程中丢失,这些场景下的跟踪任务对于目标跟踪算法来说是一个极大的挑战,因此研究出更为鲁棒的目标跟踪算法具有极其重要的意义。论文将围绕目标跟踪任务在基于相关滤波和基于深度学习两方面对跟踪算法进行优化和改进,用来应对复杂场景下的跟踪任务。基于相关滤波的目标跟踪算法在跟踪速度和跟踪精度方面都有很大的优势,具有较强的鲁棒性,目前基于相关滤波的目标跟踪算法层出不穷,也成为了研究的热门方向。因此将对基于相关滤波的目标跟踪算法进行改进,解决跟踪算法在遮挡、干扰等情况下的不准确会导致下一帧目标的定位失败,从而使后续的跟踪算法无法继续完成跟踪任务形成模型漂移的问题。通过多种特征的响应图融合的方式来过滤单一特征中存在的干扰因素,增强响应图的表征能力,然后再加入尺度估计来找到目标的最佳尺度。同时,在跟踪失败的情况下,为了保证后续视频帧的跟踪效果,需要进行目标再检测,重新定位目标。经过实验对比,改进的算法在精度和成功率上均得到了提升。孪生网络结构是基于深度学习跟踪算法的主要研究方向。本文在基于孪生网络结构的Siam FC算法的基础上提出基于多层特征融合的跟踪算法。对基于孪生网络的目标跟踪算法的特征提取网络进行改进,然后通过浅层特征和深层特征相融合的方式使最终的特征具备不同卷积层特征的优点,最后通过更新策略对模板进行更新防止模型飘移,提升了目标跟踪算法的鲁棒性。针对低分辨率目标的跟踪,提出基于注意力机制的孪生网络跟踪算法。在孪生网络的特征提取网络中集成了注意力机制模型,结合多特征融合的思想,将深度卷积特征和HOG特征融合,提升特征表征能力。通过实验验证了改进算法的性能得到了进一步的提升,在低分辨率目标跟踪任务上也取得了不错的效果。