目标跟踪技术一直是计算机视觉领域的重要分支之一,在连续运动的视频序列中跟踪一个特定目标是目标跟踪研究的主要问题,许多研究者做了大量工作。本文主要侧重于研究深度学习在目标跟踪上的工作,研究了大量近些年优秀算法,基于现阶段研究的一些不足,本文进行如下一些工作。针对传统深度学习算法采用多样本跟踪,计算量大等问题,提出了一种深度方向网络目标跟踪算法。首先构建一个深度方向网络,输出包含两个分支,一个分支输出十一类方向类别,一个输出正负样本得分。利用输出方向类别判断下一步操作,然后滑窗操作慢慢逼近目标位置,直到样本输出为真值则认为深度方向网络已经找到目标。深度方向网络将尺度的变大和缩小也作为端到端的输出,不需要单独训练尺度滤波器。正负样本分支则是为了目标丢失时的重检测机制而存在的,当正样本得分低于设定阈值则认为目标跟踪丢失,重检测机制被用于重新检测目标的新位置。深度方向网络的利用确保每次深度网络只计算一个样本,减少了深度学习的计算量,从而提高了跟踪速度,重检测机制能够在目标丢失时重新找回目标,使得算法的鲁棒性更好。在OTB数据集上进行算法效果验证,该算法取得了一定的预期效果。针对网络微调问题和传统人工特征的优点,提出了一种基于全局人工特征的时域信息目标跟踪算法。为了减少冗余计算,首先对原始图像提取全局CN特征,对CN特征进行PCA降维,在降维的特征图上提取候选样本,利用深度学习网络判断具有最高得分的候选样本作为最终跟踪结果。在跟踪阶段,初始化一个时域信息样本集,并随着时间的变化对时域信息样本集进行更新,时域信息样本集用于在目标跟踪得分低于一定阈值或者连续跟踪一定帧数时对网络微调。实验表明,本算法在应对一些挑战因子的视频序列是有其独特的优势,对比一些经典算法有很好的鲁棒性。