目标跟踪在近年来发展较为迅猛,在智能医学检测分析、智能交通出行等多个领域产生了众多研究成果,有效推动了社会的进步。在技术不断发展的过程中,相关滤波和深度学习两种思想逐步成为目标跟踪的主流思想,研究人员在两种主流思想的基础上提出了许多性能较优的跟踪算法。但是在复杂的视频环境下,诸如遮挡、形变、尺度变化、运动模糊和背景杂波等因素会显著降低跟踪算法的精确度和鲁棒性。本文针对上述复杂视频环境中存在的影响因素,提出了两种目标跟踪算法:一种是基于上下文信息和重检测机制的多尺度稳健跟踪(MRCR),另一种是基于多层卷积特征的动态决策融合跟踪(DSFM)。首先,本文阐述了目标跟踪这一课题的研究背景及研究意义、国内外研究现状。介绍了本文提出的两种算法涉及的相关理论和方法,总结了在跟踪领域中算法运行时存在的复杂视频环境影响因素和相应的解决思路。其次,详细介绍了MRCR算法。首先针对跟踪算法中目标与相邻区域之间的语义信息缺失问题,使用紧邻目标上下左右四个区域作为负样本训练跟踪模型,以减少视频序列中类似干扰物的影响;其次针对算法易发生跟踪失败的问题,使用目标重检测机制,即训练SVM对被遮挡的目标进行重新定位;最后,针对复杂视频环境下目标尺度变化较大的问题,使用尺度金字塔构造一维尺度相关滤波器,准确预测其尺度。在标准数据库OTB-2013中的实验结果表明,MRCR算法通过获取目标周围的上下文信息,使用重检测机制和多尺度提高了跟踪的精确度和鲁棒性。然后,详细介绍了DSFM算法。针对跟踪算法中卷积网络单层表观模型无法充分表征目标的问题,使用多层网络特征来表征目标信息。在捕获目标的过程中,算法首先使用VGGNet-19的第conv4-3、conv4-4、conv5-3和conv5-4层网络对其进行表观建模;然后使用多层网络特征计算相应的核相关滤波响应,响应值最大的位置表示各个跟踪器的目标预测位置;最后使用动态决策融合算法将所有响应中的位置信息动态融合以定位目标。使用标准数据库OTB-2013进行实验,结果表明DSFM算法具有优秀的跟踪性能。最后,系统梳理了本论文中的主要创新内容,针对本论文提出算法的问题进行了分析并明确了下一步工作内容。