随着社会的发展,机器视觉已经被广泛应用在社会生产和生活等领域中,其中目标跟踪任务就是机器视觉领域中的一个重要分支。目标跟踪是通过标注目标图像画面,在后续视频序列中计算出目标的位置信息过程。本文研究的非特定目标跟踪是指在未限制跟踪目标类别的前提下,利用算法对其进行跟踪。近年,针对目标跟踪算法层出不穷,但是传统的算法在目标发生形态变化、光照变化和遮挡等干扰时,算法不能准确跟踪目标,因为目标跟踪任务的场景通常是复杂多变,所以在复杂环境下准确计算出目标位置是当前的研究重点。本文基于卷积神经网络优秀的特征提取能力,提出组合卷积结构的神经网络进行目标特征提取。本文的主要研究成果如下:(1)设计组合卷积的神经网络结构。本文针对神经网络的结构分析,对卷积层结构进行优化,缩减神经网络需要训练的参数,优化网络传递效率,提高识别准确率。(2)使用迁移学习进行网络训练,解决了因为目标跟踪数据集缺乏,而导致无法对神经网络进行训练的问题。(3)使用样本图像生成,困难样本挖掘和模型更新等方法,优化目标跟踪算法,提高目标在形态变化,光照变化和遮挡等干扰场景时的识别准确度。对本文的组合卷积神经网络算法进行实验验证时,使用OTB-100目标跟踪测试数据集,实验测试精度为0.833,成功率为0.608。然后使用其他6种目标跟踪算法进行对比实验,并对实验结果进行定性分析和定量分析。结果表明本文算法跟踪准确度高,效果稳定,能够在常见干扰下准确的计算出目标位置信息。