视觉目标跟踪是近年十分热门的研究方向之一,由于遮挡、光照变化、快速运动等挑战,要实现快速、准确且鲁棒的跟踪仍是一项艰巨的任务。基于深度学习的视觉跟踪算法受到了研究人员的广泛关注,并且已经产生了大量优秀的算法。但该领域仍然存在一定的发展空间,待解决的问题包含以下两个方面:首先,大多数目标跟踪使用的特征是利用现有主干网络提取到的单一特征,未关注到利于跟踪任务的关键特征,难以充分发挥网络的非线性建模能力。其次,跟踪目标的外观、大小在跟踪过程中不断变化,而多数的目标跟踪算法仅使用第一帧特征作为模板,无法适应不断改变的目标。因此,如何对网络的特征表达能力进行加强、如何对模型进行更新是本文旨在解决的问题。针对上述问题,本文基于现有的优秀跟踪算法,从特征增强与模型更新方面对其进行改进,目的在于提高算法的成功率和跟踪精确度,主要工作如下:1.针对视觉目标跟踪在复杂背景下因特征利用不全面等原因造成的跟踪失败问题,提出了一种基于高阶统计量和模板更新的跟踪算法。首先通过提取特征的二阶信息,来提高模型对相似物的辨别能力;其次设计了模板存储更新模块,在跟踪过程中利用多个预测框的Io U均值判断当前帧的跟踪状态,将跟踪效果较好的帧进行保存,合并序列第一帧及保存的帧来对模板进行更新,使跟踪器能够适应跟踪目标的外观变化,有效提升了算法对于动态目标的适应能力。为评估所提算法的有效性,在OTB100,VOT2018、UAV123和La SOT数据集上对其进行测试,实验表明所提算法的跟踪性能有明显提升。2.针对现有的视觉目标跟踪算法无法完全利用目标局部特征与全局特征等问题,提出了一种基于混合注意力的Transformer视觉目标跟踪算法。该算法通过在主干网络中间层嵌入混合注意力使网络更关注于包含较多目标信息的空间与通道;使用空洞卷积实现图像的多尺度特征提取,增强局部特征的表达能力;通过Transformer对全局特征的建模能力,使用编-解码器在搜索分支和参考分支之间进行特征信息传递;在Transformer中使用卷积核对特征进行卷积,赋予特征更灵活有效的位置编码。所提算法在数据集OTB100、VOT2018和La SOT上进行测试,实验表明通过对Transformer架构的利用,算法的精度与成功率都有了显著提升,特别是在长时数据集上表现较好。3.针对目标跟踪算法并未针对性处理主干网络每一层特征以及分类回归两分支独立优化的问题,提出了一种基于无锚框的分层特征强化目标跟踪算法。该算法首先对主干网络不同层的特征使用特定的特征细化模块对其处理并融合,充分发挥各层特征的优势,提高网络的特征表达能力和跟踪的准确率;其次,在分类分支和回归分支间建立连接,消除了回归和分类分支训练不同步的问题。在多个数据集上测试,实验结果表明,作为短时跟踪算法,该算法在短时数据集上的精度、成功率及算法速度方面具有一定竞争力。