目标跟踪作为计算机视觉领域的研究热点之一,在现在社会中有着广泛的应用。虽然目前已经提出了很多优秀的算法,但是由于跟踪挑战因素与训练样本的制约,目标跟踪算法在有些方面的表现依然不够理想。本文在相关滤波算法的基础上,针对现有跟踪算法中存在的问题,做了以下工作:为了解决目标跟踪算法在面对长期遮挡后无法识别目标的问题,本文在相关滤波算法的基础上,提出一种基于双检测器系统的长期目标跟踪算法。在跟踪过程中,当跟踪器检测到的目标位置可靠性较低时,启动检测器对视频帧的当前区域进行重新检测。其中检测器由支持向量机检测器和孪生网络检测器组合而成,前者用来对当前区域快速检测,若没有检测到可靠目标,再启动孪生网络检测器进行深度搜索,最大化节约时间成本,通过两者的协同工作实现目标重检测。为了应对长期跟踪过程中容易发生目标漂移的现象,本文加入了自适应空间正则化项,可以有效抑制背景信息,增加模型鲁棒性。同时采用交替方向乘子法优化目标函数,可以更快速地求出最优解。实验表明,该算法在OTB数据集上达到了预期的结果,特别是在进行长视频序列的跟踪时,跟踪效果提升比较明显。为了解决目标移出视野后可能从其它任意地方再次进入容易导致目标跟踪丢失的问题,提出一种基于出视野检测器的目标跟踪算法。在跟踪过程中,若目标移出视野,则启动出视野检测器;该检测器通过对图片边缘进行实时的监测,并采用最大响应值和奇异值矩阵余弦相关性大小判断当前监测结果中有没有目标进入,直到找到较为可信的目标才退出检测器,并继续跟踪。为了训练出更为可靠的滤波器,提出一种改进的平均峰值相关能量作为当前跟踪结果的评判标准,若跟踪效果较好,则更新模型。最后通过训练两个相关滤波器分别进行目标尺度估计和位置估计,提高算法跟踪精度。实验表明,本章算法能够取得较为理想的跟踪效果,可以有效应对目标出视野的情况,而且在面对其他挑战因素时也有较好的表现。