单目标跟踪是计算机视觉领域的一个非常重要的研究方向,它在无人机、视频监控、无人驾驶等等领域有着非常重要的应用前景。单目标跟踪任务又可分为短时跟踪和长时跟踪,在短时跟踪任务中,目标始终完全可见或部分可见,而在长时跟踪中,目标可能频繁消失和再现。近年来,随着深度学习的发展,越来越多采用深度特征的短时跟踪算法达到了非常优秀的性能,然而这些算法均有缺点,例如,基于相关滤波的跟踪器往往很难处理目标的尺寸变化问题,而在线微调深度网络的算法通常速度较慢,很难以实时的速度运行。此外,由于在线能够采集到的训练样本有限,当目标发生剧烈形变时,此类算法往往不能成功识别目标,导致跟踪失败。另一方面,长时跟踪比短时跟踪任务难度更大,然而,很少有人根据长时跟踪的独特性来设计相应的算法。为了解决上述问题,本文开展了以下三方面研究:(1)针对短时跟踪中深度学习的方法不能快速地适应目标外观变化的问题,本文提出了一种基于结构化孪生网络的实时跟踪算法,它能够自动地识别目标具有代表性的局部模式,并通过建模不同局部模式之间的关联来提取结构信息并细化检测结果。最后,跟踪器在视频中寻找与目标模版具有相似局部模式的区域来准确地定位目标。实验表明,提出的算法能够很好地处理目标发生非刚性形变和遮挡情况,并能以实时的速度运行。(2)针对在线微调深度网络速度较慢的问题,本文提出了一种参数回归机制来初始化跟踪器,即根据目标的特征来预测针对当前跟踪任务最合适的参数。得到的跟踪器能够鲁棒地处理低分辨率、运动模糊等复杂情况,并快速地进行在线更新,以适应在线跟踪过程中的变化,在实时的运行速度下可以达到较高的精确度。(3)针对长时跟踪中的困难,本文提出了一个基于回归和验证网络的长时跟踪算法,其中专为长时跟踪设计的回归网络能够很好地处理目标外观和尺寸变化剧烈的情况,尤其是目标消失和再现后。同时,基于监测模块的验证网络通过在线学习分类器来滤除长时跟踪过程中出现的干扰物。其中,监测模块能有效地监测训练样本的正确性,防止验证器随着时间累积误差。最后,一个学习得到的搜索策略指导跟踪器动态地在局部搜索和全图检测之间切换,以有效地定位目标。本文算法在公开的数据库上进行了评测,并与其他典型的算法分别进行了定量的比较。结果表明,提出的算法能够鲁棒地处理跟踪过程中出现的各种困难情况。