基于相关滤波（CF）的目标跟踪算法由于很好地兼顾了跟踪精度与速度,近年来成为了最好的目标跟踪算法框架,基于相关滤波的目标跟踪算法也得到了快速的发展。最近,基于空间正则化的相关滤波算法（SRDCF）缓解了传统的相关滤波（CF）目标跟踪算法中产生负面作用的边界效应问题,从而进一步提高了算法的跟踪效果。然而,SRDCF使用了由目标矩形标定框计算所得且跟踪过程中固定不变的空间正则化权重图,这使得目标或其背景发生严重变化时,例如目标变形或遮挡,跟踪效果会受到很大程度的影响。为了解决上述问题,本文首先提出的静态目标显著性相关的空间正则化（SSAR）方法可以提升目标跟踪算法的精度和鲁棒性。接下来,本文提出了综合考虑目标显著性信息和空间先验信息的时序显著性相关的空间正则化（TSAR）方法。最后,在上述基础上,本文提出了动态显著性相关的空间正则化（DSAR）方法,并用于相关滤波目标跟踪方法。在DSAR中,我们提出了全新的简单而有效的,基于水平集算法的能量函数,成功在时空域上反映了目标的显著性信息及跟踪结果可信度信息,并用于DSAR权重图的在线动态更新。本文展示了三个标准数据集OTB-2013^[1],OTB-2015^[2]和VOT-2016^[3]上的实验结果,结果证实了本文提出的DSAR-CF方法相比于基于传统空间正则化的CF目标跟踪算法在精度及速度上均有所提升。最后,本文通过消融实验,算法分析实验,失败案例分析和速度分全面地验证了本文所提方法的有效性。