目标跟踪对计算机视觉具有重要意义,几十年来活跃于智能交通、自动驾驶以及智能家居等范畴。目标跟踪是指在视频序列的首帧给定目标后,跟踪器持续定位后续帧中的目标,建立目标移动轨迹。在现实任务中,面对遮挡、尺度变化、运动模糊等复杂场景,跟踪器极易丢失目标。目前,目标跟踪分为传统目标跟踪算法和基于深度学习的目标跟踪算法。传统目标跟踪算法的优势在于具有良好的实时性,但是它为特定场景设计特征提取方法,这使得它在不同场景下泛化性受限。基于深度学习的目标跟踪算法依靠深度神经网络强大的特征提取能力以及良好的泛化性,在不同场景下都能取得较好的实时跟踪效果,但是存在实时性不足的问题。此外,在长时间目标跟踪的场景下,它们的跟踪效果都不稳定。为此,本文在基于相似性度量跟踪算法的基础上,从获得鲁棒且丰富的目标特征、适应目标运动场景变化的高置信度的目标表示等方面开展研究:1、根据基于相似性度量的跟踪算法跟踪精确度和实时性较高,但在长时间跟踪场景下存在跟踪漂移和尺度适应性差的特点。研究对基线算法SiamFC的特征提取网络和跟踪策略进行分析,在保证实时性的前提下提出了结合特征融合和双模板嵌套更新的孪生网络跟踪算法SiamFC-22。使用深度残差网络ResNet-22深度网络进行目标特征提取,基于其强目标识别能力的深层特征构造语义响应。基于ResNet-22的浅层的高分辨率特征,构造强定位能力的具体结构位置响应;在跟踪策略上,加权融合两个响应并使用双模板嵌套更新机制进行模板更新。经过OTB2015和VOT2016数据集测试,跟踪对快速移动和遮挡等场景更加适应,且跟踪速度为32帧每秒,满足实时性要求。2、为了提升SiamFC-22的尺度适应性与降低跟踪计算量,提出了基于Anchor-Free的跟踪算法UPSiamFC。该算法为了在计算量和特征提取能力之间取得平衡,使用特征融合和注意力机制,设计提出了卷积神经网络AlexNet-UP作为特征提取网络;为了提高跟踪器的尺度适应性,使用Anchor-Free回归网络思想设计了一个预测跟踪框坐标的回归响应;在跟踪策略上,使用基于跟踪框类别估计的模板更新方式进行模板更新。经过OTB2015和VOT2018数据集测试,跟踪器的取得了较好的尺度适应性,同时该算法达到了84帧每秒的速度。3、为了验证UPSiamFC的长时间稳定跟踪效果,选用长时间视频序列数据集UAV20L进行测试。UPSiamFC在实验中取得了0.662的精确度和0.502的成功率,在长时间的复杂场景挑战中仍然能够稳定跟踪。为了验证UPSiamFC在实际工程场景中的跟踪效果,在TX2平台上使用实验室数据集进行测试。实验结果表明,UPSiamFC在TX2平台上能够以46帧每秒的平均速度实时跟踪飞行目标,达到了实际工程的应用需求。综上,针对复杂场景目标跟踪的鲁棒适应与高速实时的要求,从更鲁棒的语义特征、更高分辨率的具象特征、自适应跟踪置信评估与更精确的尺度预测等方面开展了深入研究,提出了基于残差网络的SiamFC-22的目标跟踪算法以及基于Anchor-Free的UPSiamFC的目标跟踪算法,通过公开数据集和实际工程的实验验证,表明提出的算法显著提升了复杂场景下目标稳定跟踪能力,并具有良好的实时性。