在基于对扩展目标成像的光电跟踪系统中,对目标图像的定位将对后续的跟踪控制性能产生很大的影响,如何从一系列具有复杂背景和较大扩展度的目标序列图像中实现高精度的特征定位跟踪一直是非常活跃的研究方向。本课题所研究的目标图像具有一定的扩展度,有一定的纹理和形状信息,但是目标的运动过程比较复杂,可能出现尺度变化,旋转,遮挡等情形从而导致跟踪精度下降。因此,研究一种针对扩展目标图像的高鲁棒性的特征定位跟踪算法很有必要。特征表达是目标跟踪过程的关键部分。人工特征相对简单,实时性强,但存在表征能力不足的问题。当处理诸如快速变化和目标遮挡之类的问题时,其易于漂移。随着深度神经网络在目标检测和识别任务中的强特征表达能力,深层神经网络特征逐渐被用作特征提取工具,但如何使用和集成这些特征仍值得研究。基于目标跟踪实时性的考虑,本文以相关滤波为基本框架,从特征改进的路线来进行算法研究。在目标检测和识别等领域中,特征层数的增加对算法效果是正增益的。本文将特征层数比目前普遍使用的VGG-19更深的残差神经网络(ResNet-50)作为主要研究对象,详细分析了各特征层对目标跟踪性能的影响。创新性的将ResNet-50的特殊结构--附加层和卷积层进行特征融合来表征目标,然后为这些层分别训练分类器。最后通过搜索多层响应图,从粗到精逐渐定位目标位置。该算法在OTB-50数据集进行了验证。一次性评价(OPE)值可达到0.612,优于同类算法。为扩展算法在局部感兴趣目标上的有效性,将显著性检测GBVS算法和残差神经网络ResNet-50进行融合,设计了单层特征层跟踪对比实验并验证GBVS算法对深度网络ResNet-50单层特征的有效性,提出改进的基于显著性检测GBVS算法的特征融合跟踪算法。算法在OTB-50数据集上进行测试,优于同类型相关滤波算法。虽然本文提出的算法在精度和准确度上有所提高,但是在实时性上还有进一步提升的空间。第二部分基于显著性检测的改进算法在增加了显著性检测的同时也提高了算法的复杂度,算法的实时性有所减低,故需对实时性进一步优化,以便能更好的平衡目标跟踪的实时性和鲁棒性。