单目标跟踪任务旨在对于第一帧给定的物体在接下来的视频中进行定位。单目标跟踪算法在行为分析,视频监控,增强现实等很多现实场景中有着大量的应用。尽管近些年很多算法在此问题上取得了巨大的进步,但是因为形变,光照,旋转,遮挡等原因,单目标跟踪依旧是一个很有挑战性的任务。近期深度学习算法在许多问题(如物体分类,物体检测等)中都大大提升了任务表现,如何合理地利用深度学习算法提升单目标跟踪算法的效果是本文主要关注的任务。深度神经网络不同层中的特征有不同的性质:高层的特征中包含更多的语义信息,对于物体的形状变换更加鲁棒;低层的特征中包含更多的空间信息,对于物体的形状变换更为敏感。如何将这两种特征合理地应用于单目标跟踪算法,是一个值得关注的问题。此外,适当地应用注意力机制可以在单目标跟踪的过程中带来更多的信息,从而提高算法的效果。因此本文提出了一种多级别的注意力机制模块,成功地将其应用在单目标跟踪的任务当中,获得了很好的效果。此多级别注意力机制模块共计包含了四种注意力模式:空间注意力,通道注意力,时间注意力以及卷积层注意力。除此之外,考虑到现有的单目标跟踪算法处于一种无法兼顾精度与速度的情况:基于回归的算法大多速度很快,但是精度并不高;精度高的算法大多基于分类,但是速度很慢,大多数每秒只能运行几帧。因此本文将两种算法的优势结合起来,提出了一种可以兼顾精度与速度的“演员-评论家”单目标跟踪框架。同时利用了在序列决策这一类问题表现突出的强化学习进行模型的训练,使得网络可以在单目标跟踪这一序列问题中得以进行正确的决策输出。除此之外,基于原有的深度确定性策略梯度方法(Deep Deterministic Policy Gradient),本文进行了一些针对于单目标跟踪的改进,使得网络训练过程得以收敛。该算法最后取得了超过很多非实时算法的精度,同时可以保持超过实时要求的速度(30FPS)。