运动目标跟踪是计算机视觉中的重要环节,在军用、公共安全和自动驾驶等领域有着广泛的运用。检测技术的发展早于跟踪技术,已经有许多效果突出且理论基础完善的算法。借助检测技术的实时检测跟踪(Tracking by Detection)是近年突起的一类跟踪方法,在每一帧检测到目标以实现连续视频序列目标的跟踪,具有较好的跟踪性能。其代表是Kernelized Correlation Filter算法,通过训练一个相关性滤波器进行相关性滤波以实现检测。本文的研究重点是相关性滤波器的多尺度跟踪以及模板漂移时的持续跟踪。提出一种多尺度的内核化相关性滤波器ACF算法。现有改进方法多是基于MOSSE的多尺度改进方法,本文将其扩展至KCF,利用KCF循环结构对角化的性质进行高效、高精度的位置滤波。再利用目标尺度金字塔对目标进行多尺度表达,利用卷积定理在傅里叶域中对目标进行尺度滤波,并根据上一帧检测结果的尺度变化率,适时地调用尺度优先策略或位置优先策略,使得跟踪器在权衡尺度变化与位移变化时更具鲁棒性。对于模板漂移的持久跟踪,提出一种持续目标模板——CUR滤波器。CUR滤波器以矩阵降维技术为核心,使用CUR分解中构建R矩阵的方法,从包含了所有成功检测目标信息的历史矩阵Q中构建CUR滤波器,最大程度地保留目标的特征信息,实现目标的持续性表达。当跟踪器跟踪失败时,使用CUR滤波器作为下一帧检测的目标外观模型,由于CUR具有目标持续表达的特性,因此,能够不受跟踪失败帧的影响,实现目标的持续跟踪。