目标跟踪是计算机视觉领域研究重点之一,在自动驾驶、智能交通监控等诸多领域都有很大的实用价值。目前,最主流的跟踪算法是基于判别类的相关滤波跟踪算法,但在一些复杂的跟踪环境下,这些算法仍有待继续深入研究。在实际应用中,多目标跟踪需要对众多目标同时进行追踪,如果仅使用目标检测算法或单目标跟踪算法是无法实现的,针对此问题,需要一个具有高鲁棒性的多目标跟踪算法。基于上述分析,本文提出一种基于相关滤波跟踪器的超像素分割驱动跟踪算法,以解决传统相关滤波算法对于旋转、尺度变化等情况跟踪性能差的问题。将输入视频序列进行超像素分割,建立一个基于超像素的表观模型,能够有效捕捉目标的外观变化,有效解决目标跟踪中尺度变换的问题。本文将具有抗噪、抗旋转的分层梯度方向直方图(Pyramid Histogram of Oriented Gradients,PHOG)特征和颜色特征(Color Name,CN)进行结合,解决了目标平面内旋转和平面外旋转的问题。在OTB-2015数据集进行实验,本文提出的算法在AUC指标上达到了65.3%,比传统的核相关滤波跟踪算法(Kernel Correlation Filter,KCF)算法提高了21.3%,也优于ECO-HC的64.7%。另一方面,本文的算法在跟踪精确度上达到了0.805,高于其他对比算法。实验结果表明,本文提出的算法既能满足跟踪实时性要求,又提高了跟踪的准确度,有效解决了目标旋转和尺度变化的问题。针对相关滤波跟踪算法在多目标跟踪问题上训练样本易被污染、不能解决快速运动目标的弊端,本文提出一种基于马尔科夫决策过程(Markov Decision Process,MDP)的多目标跟踪算法。该算法将每个目标建模成一个MDP,通过最大化奖励函数来驱动状态间的转移,并采用强化学习训练用于数据关联的相似度函数,有效地解决了目标遮挡问题。同时,为了解决物体快速运动导致跟踪算法丢失目标问题,利用超像素建立表观模型,充分考虑历史图像信息,提高跟踪算法的准确性与可靠性。实验评估表明,本文的跟踪器在MOT15数据集上具有良好的性能。本文提出的跟踪器在MOTA指标上达到36.5,高于其他对比算法,而在ID switch指标上仅仅为308次,低于其他对比算法,显著地减少了目标丢失率以及身份交换率。