针对无人机跟踪目标易受视角变化、部分遮挡、背景杂波等因素影响而难以完成对目标的鲁棒跟踪问题，提出一种双重响应异常约束的无人机目标跟踪算法。首先，通过计算局部响应变化向量和全局响应峰值旁瓣比，在线动态更新空间正则化参数，降低边界效应的影响；其次，针对STRCF算法中的时间正则项的参数固定的问题，提出响应异常峰值判断机制，计算次峰响应系数，并将其融合到时间正则化参数上进行实时更新，避免目标模板变异造成跟踪漂移问题；目标函数通过交替方向乘子法迭代求解最优解。在UAV123、UAV20L和DTB70 三个无人机数据集上与代表性的目标跟踪算法进行大量实验，结果表明，在UAV123数据集上的精确度达到71.7%，在DTB70数据集上的跟踪平均速度达到48.3帧/s。本文结果与现有相关滤波类无人机目标跟踪算法相比表现较好，具有较高的实时性和鲁棒性。

针对红外目标跟踪中红外图像模糊、存在噪声、目标特征少的问题，提出了自适应信息选择的变尺度相关滤波红外目标跟踪算法。首先，在提取的灰度特征中重新提取了梯度信息，用于增强特征感受野大小，丰富目标特征信息；其次，稀疏滤波器系数，减少滤波器信息冗余，并将其结合至滤波器训练过程中，不同通道下的空间信息保留程度不同，有效提高滤波器表达能力；最后，在原有保留尺度更新的基础上，加入变尺度滤波器，构建边界框比例不同的尺度池，有效应对边界框比例变化的情况。在LSOTB-TIR数据集和PTB-TIR数据集上做了对比和消融实验以验证算法的有效性，结果表明该算法在LSOTB-TIR数据集上精确度和成功率分别达到71.3%和59.4%，在使用手工特征的算法中获得了更好的表现。

当目标远离红外系统，其在成像图像上的尺寸较小且信息量较少，使得小目标的持续精确定位成为一项有挑战性的问题。针对这一问题，在相关滤波跟踪框架上，引入能够区分红外弱小目标边缘信息与杂波噪声的侧窗图像滤波方法，提出了一种弱小目标跟踪算法。具体来说，首先利用时空正则化的相关滤波跟踪模型，对目标位置附近更大范围的背景进行考虑。然后，利用侧窗滤波对当前局部搜索区域进行侧窗滤波处理，达到了保留边缘效果的同时剔除了图像噪声。最后，通过原始图像与滤波后图像作差，降低了背景边缘对目标定位错误的影响，并实现小目标状态估计。为验证本文所提算法性能，采用六组红外真实弱小目标图像序列进行实验，并与核相关滤波、空间正则化的相关滤波，以及时空正则化的相关滤波等经典算法作比较。实验结果表明，所提算法在多组复杂背景的图像序列上，获得了较高的跟踪精度，验证了所提算法能有效应对红外弱小目标跟踪任务中的快速运动、低分辨率和强背景杂波等问题。

实时多目标跟踪算法取得了理想的跟踪性能，但大多数现有算法的跟踪速度较慢，且随着背景复杂度的增加，跟踪精度也随之降低。针对此问题，本文提出了基于在线数据关联的行人实时跟踪算法。首先，设计了核相关滤波和卡尔曼滤波双轨道预测机制，配合DeepSORT中的级联匹配形成了预测-跟踪-校准体系，使数据关联更加可靠。此外，在目标检测部分引入了注意力机制，通过强化目标对象的位置信息增强特征表示能力，从而提升跟踪的精度。该模型在MOT16数据集上的MOTA达到了66.5%、IDF1达到了64.2%、IDSW达到了641。与DeepSORT算法对比，MOTA和IDF1分别提升了13%和13.2%，IDSW下降了410。本文算法有助于解决行人实时跟踪时出现的目标误检、漏检等问题，在跟踪中对严重遮挡情况仍保持了较高的跟踪精度，在复杂环境下可以实现行人实时稳定跟踪。

基于相关滤波的跟踪方法帧率高但容易发生跟踪漂移导致目标丢失。针对此问题，本文以相关滤波方法ECO-HC为基线，提出了一个用于描述图像场景变化幅度的参数D，根据实时计算该参数的值并以不同的间隔数更新模型，实现自适应更新模型在使算法以较高帧率运行的同时兼具良好的准确率，此效果在图像光照变化复杂、目标变形或被遮挡的情况下更加明显。实验结果表明，ECO-HC嵌入本文方法后，在光照变化的情况下成功率提高了1.6%，准确率提高了2.2%；在目标离开视场的情况下成功率提高了3.7%，准确率提高了3.4%。在本文实验环境中平均帧率达到60 FPS。