目前多数跟踪算法采用尺度遍历穷搜索策略应对目标的尺度变化，其跟踪性能和效率不佳。针对此问题基于特定目标提议框提岀一种自适应跟踪算法。对目标提议框生成算法进行改进，融入跟踪目标的尺度和位置信息，得到特定目标提议框并获取其特征。为确保跟踪的连续性，将自适应支持向量机作为跟踪模型，对特定目标提议框进行评分，得到目标位置。对均匀采样样本和特定目标提议框正负样本分类，进行模型更新。在OTB100数据库上进行对比实验，结果表明，与 CNN-SVM、 Deep SRDCF等算法相比，该算法能较好地适应目标的尺度变化和形变，有效提高跟踪效率。
