近年来，智能交通领域在人工智能领域的推动下不断发展，车辆跟踪技术作为智能交通领域研究的基础问题越来越受到人们的关注。深度学习作为解决目标跟踪领域问题的主流方法，基于深度学习的车辆跟踪算法成为了智能交通领域研究的热点，如基于卷积神经网络(CNN)的目标跟踪模型，虽然该类模型在跟踪的准确性上取得了突破性的进展，但是在跟踪速度上很难做到实时跟踪。于是，基于完全卷积孪生神经网络(SiamFC)的目标跟踪方法，将目标跟踪任务建模为相似性匹配问题，很好地平衡了跟踪速度和准确率，成为该领域研究的热门方向。但是，SiamFC模型对目标形变和复杂背景干扰等鲁棒性不够、判别能力和泛化能力上存在不足。为此，提出改进的完全卷积孪生神经网络车辆跟踪模型。本文的主要研究内容为：
　　(1)研究了目前在基于深度学习的目标跟踪领域的主流算法，主要有基于卷积神经网络的目标跟踪模型和基于完全卷积孪生神经网络的目标跟踪模型。主要研究了这两类模型的训练和跟踪的流程，以及能够实现目标跟踪的原理，并分析了这两类模型的优缺点。
　　(2)在基于完全卷积孪生神经网络的基础上提出了改进的完全卷积神经网络目标跟踪模型。主要的改进有以下几方面：在离线训练阶段，采用了三元损失函数取代了SiamFC跟踪模型中的对数损失函数，有助于挖掘示例、正实例、负实例三者之间更多潜在关系，从而提升模型泛化能力；使用了VGG16代替了SiamFC模型中使用的CNN网络做特征提取，该网络可在大型的图像数据集上预训练从而得到强大的特征表达能力；并且，引入了通道注意力模块，可以在模型训练过程中学习不同通道特征权重系数，特征通道权重会根据跟踪的目标自适应改变，增强模型判别能力。在在线跟踪阶段，引入干扰物感知模块来对背景中的干扰物进行有效抑制，让模型对跟踪目标更加鲁棒，从而提高模型的抗干扰能力。
　　(3)在基于改进的SiamFC算法的基础上设计实现了基于该算法的车辆跟踪模型，并通过数据增强技术扩充了训练集，弥补了车辆跟踪数据集的不足。
　　VOT2016和OTB50目标跟踪测试基准中包含很多复杂道路场景下的车辆视频。在实验分析中，选用了两个基准中多个车辆跟踪视频序列对改的SiamFC车辆跟踪模型进行测试，并对测试结果做了定性和定量的分析，分析结果显示改进的SiamFC车辆跟踪模型在对于各种复杂道路场景中的车辆跟踪上取得了很好准确性和实时性。