视觉目标跟踪广泛应用于智能监控、无人驾驶、人机交互等领域,是近年来的研究热点方向之一。其难点在于待跟踪目标的表观容易受到光照、遮挡、形变、尺度等干扰影响从而导致跟踪不准确。本文针对目标跟踪中影响跟踪精度的特征学习、尺度变化、模型更新三部分展开研究。主要研究工作如下:首先,分析传统Mean Shift算法中特征表示单一引起目标表观建模能力不强的问题,提出一种多特征融合的特征学习方法,将目标图像的颜色特征和纹理特征进行特征融合。不同特征的融合增强目标表观表示,提高局部检测模型的准确性。同时,引入卡尔曼滤波对目标运动进行预测,结合前一帧的位置信息进行判断寻找目标位置,当确定位置后,继续使用更新模型进行跟踪。其次,针对传统手工特征判别性弱的问题,提出一种在线学习的卷积神经网络训练方法,与K-means采样得到的目标背景信息进行有效卷积。将提取到具有上下文的目标特征用作核相关滤波器的多通道输入,从而简化了神经网络的训练过程。目标运动过程中由于尺度变化会导致跟踪不准确,因此引入尺度相关滤波器,将尺度变化与模型更新相结合实现尺度框的自适应调整。最后,针对在线学习实时性低的问题,利用离线训练的卷积网络提取目标特征,学习物体运动之间的一般关系和外观表示,图像特征从浅层向深层变化,深层特征包含更多语义信息,利于区分目标和背景。同时网络对目标位置和尺寸的预测转换为对矩形框尺寸和位置的回归,加快了跟踪速度。由于长期跟踪过程中物体遮挡可能引起跟踪丢失,因此融入丢失-检测算法,增强跟踪鲁棒性。本文提出的方法从不同的角度分析了特征学习、尺度变化、模型更新对跟踪效果的影响,在多个目标跟踪数据集上进行充分的实验对比。实验结果表明提出的算法取得了良好的跟踪性能。