目标跟踪是计算机视觉领域的重要研究方向,因其涉及到目标尺度变化,快速运动,背景干扰等实际因素的影响及其任务的特殊性,目标跟踪成为了计算机视觉领域最具挑战性的任务之一。因此,如何借助深度学习设计一个更加精准的跟踪模型成为了当前目标跟踪任务的研究热点。近年来随着深度学习的不断发展,以及深度神经网络所具有的独特优势,为解决目标跟踪任务中遇到的难点问题提供了坚实的基础。本文对目标跟踪任务中遇到的问题进行了深入分析和探讨,针对其中的三个问题进行了改进,并提出了多尺度跟踪网络,其包含的具体内容如下。针对实际跟踪场景中目标尺度预测准确度低,现有跟踪算法尺度预测计算量大等问题,本文提出一种基于多尺度特征的尺度预测模型。该模型通过构建多尺度特征图矩阵来根据目标的不同尺度进行建模,将不同尺度的目标映射至不同尺度的网络层,使其获得不同尺度的上下文信息,从而可以回归得到更加精准的目标尺度。为了提高目标特征表示能力,本文提出了一种基于局部特征融合的特征表示模型。该模型在基础网络上添加通道注意力和空间注意力完成图像中重要信息的提炼,通过提取目标空间和通道上的高价值信息,并采用残差结构实现局部特征融合,可以获得更加丰富的目标特征。同时,结合重叠度最大化损失函数来指导网络进行精细学习,从而获取更具表现力的目标特征,实现更加精准的跟踪预测。针对目标跟踪任务中的目标漂移问题,以及现有跟踪网络缺乏判别力的问题,提出了基于帧间关联的特征度量模块,该模块利用跟踪中的时序信息,将历史帧中跟踪成功的目标特征进行复用,通过计算当前帧与历史帧目标特征间的余弦相似性来选择最佳的预测框,提高网络的判别力,获取更加精准的预测效果。最后本文算法通过消融实验分别验证了多尺度跟踪网络中基于多尺度特征的尺度预测模块,基于局部特征融合的特征表示模块,及基于帧间关联的特征度量模块的有效性。同时在VOT2019,VOT2018,OTB三个公开数据集上进行了对比实验,结果证明该方法优于目前大多数目标跟踪算法。