为了解决传统的相关滤波跟踪算法在复杂环境中容易跟踪失败的问题,本文提出时间驱动的异常学习相关滤波器,旨在提高模型在复杂环境下的适应性,实现安全有效的目标跟踪.通过引入结合异常学习的时间正则项,该模型不仅可以结合滤波器响应相似度和时间域特征搜索到目标,达到抑制异常的效果,还可以提高外观模型在时域中的鲁棒性,缓解时间滤波器退化.另外,本文采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)算法实现模型的优化过程,大大减少模型的计算复杂度.大量的实验结果证实了所提出的跟踪算法性能的优越性.