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。

近年来，相关滤波方法由于具备运算速度快，鲁棒性强的优势，在目标跟踪领域发展迅速。然而，面对复杂场景时，现有模型难以满足实际需求。针对背景感知相关滤波方法(BACF)在目标发生自身旋转、尺度变换、运动出视野等挑战下，相关滤波器最大响应值减弱，造成跟踪精度下降的问题，提出了一种基于相关滤波的目标重检测跟踪方法。在原有背景感知相关滤波方法的基础上，引入滤波器响应检测机制，当判定到相关滤波跟踪结果不可信时，利用粒子滤波采样策略生成大量粒子，感知目标状态，重新确定目标中心位置。在此基础上，利用自适应尺度估计机制重新计算目标尺度信息，从而实现对目标的重新跟踪。为了验证改进算法的有效性，实验选取了OTB2013、OTB2015、VOT2016共3个公开数据集进行测试，同时与相关滤波及深度学习方法进行对比，从视频属性、跟踪精确度、算法鲁棒性等角度展示所有算法的性能。实验结果表明：基于相关滤波的目标重检测跟踪方法在3个公开数据集中取得较好的实验结果，并在目标发生旋转，尺度变换及运动超出视野的情况下，有效提高了BACF的准确率和成功率。