基于相关滤波器的视觉目标跟踪算法由于跟踪精度高、运算速度快等优点获得了广泛的关注。但是传统的基于相关滤波器的跟踪算法存在原理缺陷,只能实现以像素为单位的离散定位,降低了跟踪精度。同时它的尺度估计模块严重依赖于目标定位的准确性,且无法对产生严重遮挡后的目标进行重新获取。针对这些问题,本文旨在研究一种基于相关滤波器的连续定位长程跟踪算法,算法构建卷积操作子用于连续域内目标定位,同时使用重追踪算法对遮挡后丢失的目标进行再获取。经过目标跟踪测试集的评估,本文算法获得了很高的跟踪精度。本文首先研究了一种连续域内的相关滤波器跟踪算法,算法将目标跟踪课题分为目标定位和目标尺度估计两个模块。在目标定位模块中,算法利用卷积神经网络特征的高判别力特性,通过设计的卷积操作子对目标进行连续域内定位,重点解决了传统相关滤波器低精度离散定位造成的目标漂移问题,提高了算法目标定位能力。另一方面,算法尺度估计模块针对传统方法在定位误差下的尺度估计失准问题,通过改进传统的相关滤波器尺度估计模型,构建了基于HOG特征的多金字塔目标尺度追踪器,实现了微小定位误差的修正及鲁棒的目标尺度估计,提升了算法尺度估计性能。在长程跟踪视频中,当目标产生严重遮挡时追踪器容易丢失目标,产生追踪失效情况,这是视觉跟踪里的难点。针对这一难点,本文提出了基于RandomFerns和基于Mean-Shift理论的目标重追踪方法。算法在视频目标的稳定帧(没有遇到运动模糊、目标遮挡时)建立目标重追踪模型,当判断目标产生遮挡消失后,算法在目标消失位置使用大范围的搜索,以重新获取丢失目标。经测试,当丢失目标再度出现时,算法能够稳定检测出所跟踪目标,实现目标的再获取,提升了跟踪算法的稳定性。视觉跟踪算法的性能评估是非常重要的。对于一个新的跟踪算法,需要有专门的视频库及评估方法对跟踪算法进行全面细致的评价。本文通过研究OTB-100和VOT2015两个视频数据集,采用不同的评价指标,从多角度衡量跟踪算法的性能。在两个数据集上将本文提出的算法与现今公认优秀的算法分别进行测试,实验结果表明提出的算法能够很好地应对不同场景下的跟踪任务,具有很强的竞争力。