单目标跟踪是计算机视觉领域的一个重要分支,在智能视频监控、人机交互、视觉导航、虚拟现实领域都有广泛的应用。单目标跟踪通常面临着尺度变化、形状改变、背景干扰、光照变化、运动模糊等挑战。近几年,随着深度学习技术的不断发展,基于深度学习的方法在单目标跟踪领域取得了不错的成绩,促进了单目标跟踪技术在各行各业的落地与应用。因此,基于深度学习的单目标跟踪技术具有很重要的研究价值。本文通过对MDNet(Multi-Domain Convolutional Neural Networks)网络的研究和分析,并结合其在单目标跟踪过程中的特点与不足对其进行了改进,设计并实现了新的单目标跟踪算法ASTT-M(A Single Target Tracking Algorithm Based on MDNet)。该算法实现了跟踪过程中目标的异常检测和目标的多尺度变化,提出了一种基于岭回归求解的双模型回归策略和基于搜索区域裁剪的相似性干扰规避策略,同时设计了一种新的基于聚类的样本更新方法,并且基于前面的改进重新定义了跟踪控制策略。在目标异常检测方面,本文通过对候选框分值的检测,可以在跟踪过程中及时检测到目标因为形变,遮挡,尺度变化,光照变化等而产生的异常情况。对于目标的尺度变化,本文基于区域生成网络的核心思想提出了多尺度候选框的生成方法。在对初始跟踪结果进行回归时,本文采取了双模型回归的思想,同时考虑了目标初始状态和当前状态特征与位置尺度之间的回归关系,从而可以得到更好的回归结果。为了避免相似干扰的影响,使用了一种基于搜索区域裁剪的规避方式,来保证跟踪器尽量不受到相似干扰的诱骗。在样本更新方面,本文设计的基于聚类的样本更新方法不仅可以去除冗余样本,剔除被污染样本,而且可以保留目标样本的多样性和丰富性,并且在出现异常时会生成临时样本集,并通过跟踪控制策略对网络进行更新调整,使在线网络不仅对目标的历史状态有很强的认知能力而且也可以快速学习到目标当前的状态。为了验证本文方法的有效性,实验阶段分别在OTB50,OTB100,及筛选得到的OTB32数据集上与其它九个经典的跟踪算法同时进行了评测,分别从准确率和成功率上进行了对比和分析。同时还挑选了跟踪难度较大的视频序列与其它跟踪器进行了比较和分析。实验表明本文的方法在测试数据集上的准确率和成功率均有一定的提升。