目标跟踪作为计算机视觉中的一项关键基础任务,以其重要的基础理论价值和广泛的应用需求一直以来备受关注。由于目标在视频序列中的一系列变化,如遮挡,形变,光照变化等,使目标跟踪长期面临着巨大的挑战。为克服这些挑战,随着机器学习与人工智能的快速发展,很多结合智能技术与目标跟踪的算法被相继提出推动了目标跟踪的发展,使其日益成为研究热点。目前,在深度学习领域中,主流的跟踪算法采用孪生网络的范式,通过模板与搜索区域的度量来识别和定位目标。该方式网络结构简单,同时兼顾了精度与速度,取得了很好的效果。但是由于孪生网络特征匹配的特性,其严重依赖于特征的表征能力,需要强大的深度神经网络来提取特征。并且当目标出现遮挡,变形时,跟踪精度降低,甚至会导致跟踪漂移。为了解决上述问题,本文主要针对深度特征的全局语义结构信息与局部子块部位信息进行研究,利用局部信息来弥补全局信息的不足,同时结合图网络,注意力机制来提高跟踪精度与鲁棒性,主要包括以下三个部分:1、提出了语义与上下文集成的目标跟踪算法,通过深度网络分别提取和构建目标的全局特征与局部特征,并将它们进行有机聚合,局部特征具体描述目标,全局特征语义抽象表征目标,从而构建既精确又鲁棒适应的目标表示,二者相互反馈监督,实现目标遮挡变形等挑战下的跟踪;2、提出了中心抑制图卷积目标跟踪算法以充分挖掘子块局部特征间的相互关系,研究构建子块特征的图网络,利用余弦相似度与距离先验构建深度特征的图网络模型与其邻接矩阵,使用图卷积对深度局部特征进行自适应地融合,利用周围的上下文信息弥补目标变化的缺失信息,有力增强目标表示,提升跟踪性能;3、提出了注意力机制目标跟踪算法将目标深度特征与注意力机制相结合,对模板和搜索区域同时实现自注意力与互注意力,使得子块特征,模板与搜索区域的信息能够相互融合。并将现有的互相关计算方式替换为互注意力的形式,考虑特征节点之间的相关性,进一步提高网络的性能。我们在多个公开数据集上,与当前的主要跟踪算法进行验证比较分析,提出的算法均达到了当前先进的性能,例如在VOT2016上,语义与上下文集成目标跟踪算法与中心抑制图卷积目标跟踪算法的期望平均重叠（Expected Average Overlap,EAO）分别为0.541和0.542,远超其他算法。而注意力机制目标跟踪算法在无人机数据集上成功率与精度分别为70.3%与90.1%,相比于其他算法,均提高了2%以上的性能。大量的实验对比分析表明本文提出的算法具有稳定的跟踪性能,达到了实时性要求,验证了算法的有效性。