视频目标跟踪算法是一种非常具有实用价值的图像视觉算法。目前基于卷积神经网络的目标跟踪算法展现出了优异的性能。但是由于大多数卷积神经网络是针对图像分类任务所设计,因此计算起来非常耗时。所以基于卷积神经网络的目标跟踪算法往往无法满足现实应用中的实时性需求。尽管一些基于卷积神经网络的目标跟踪算法放弃在线跟踪阶段的模型更新来实现实时目标跟踪,但这些算法一般跟踪效果不佳。现有的跟踪算法往往不能同时兼顾跟踪准确性与实时性,相当一部分算法忽视了实时性。针对这样一些问题本文进行有关研究。研究的主要工作和创新点如下:（1）通过结合相关滤波框架与孪生网络框架的各自优势,本文设计了一种新型的全卷积网络跟踪框架。本文通过对相关滤波框架以及孪生网络框架的对比分析,总结出两个算法框架在定位原理上的共同点;讨论分析了两种框架间存在的主要差异,以及这些差异对算法速度、算法准确性的主要影响。根据两种框架在定位原理上的共同点,本文设计了一个基于全卷积网络的跟踪算法框架,将定位模型更新与网络训练加入到算法中来。（2）本文以一个通道剪枝网络为基础设计了一个目标跟踪算法。由于使用了轻量化的通道剪枝网络,算法的速度得以加快。通过合理的网络结构设计,算法的准确性得以保障。同时从算法速度方面考虑,简化了模型更新机制,采用更加快速的尺度估计方法。最后,本文创新性地将深度互学习方法加入到全卷积网络训练中,通过有效的训练来提高神经网络性能与跟踪效果。（3）通过在三个主流的跟踪算法评测集上进行大量实验,验证了本文提出的目标跟踪算法的合理性,以及深度互学习方法的有效性。实验结果表明,本文提出的跟踪算法速度达到60FPS,OTB2015测试集上的准确率和成功率得分分别达到0.887、0.640,在VOT2017实时性实验中的EAO得分为0.261。