视觉目标跟踪一直是计算机视觉领域最基础的任务之一,在智慧城市、智能安防、人机交互等领域都有很广泛的应用场景。随着深度学习技术的引入,目标跟踪算法的性能得到了巨大的提升。目前的主流目标跟踪算法都是以孪生网络为基础进行改进的,在孪生网络中,可以实现准确,快速的跟踪。但是在一些复杂场景中,比如前景与背景相似,遮挡,快速运动等场景,基于孪生网络的跟踪器表现得不够鲁棒。此外,目标检测领域中锚框的引入给跟踪算法带来了繁重的参数量,而且需要经过多次迭代和训练才能获得一个很好的效果。因此单目标跟踪是一项挑战性很强的任务。本文以相关滤波网络为基础,并针对以上提出的复杂场景提出了新的基于无锚框相关滤波的目标跟踪算法。本文的主要工作和创新点如下:第一,为了解决目标跟踪过程中的遮挡问题,本文提出了一种基于流的跟踪算法。该算法能够基于帧与帧之间的互相关系来检测遮挡目标,从而解决跟踪过程中的遮挡问题。通过在特征提取网络中引入通道注意力机制来补充特征中的语义信息。第二,本文设计了一种高分辨率网络,可以保持输入分辨率和输出分辨率相同。在网络设计阶段,本文分析了相关滤波网络中网络深度不能过深的原因,实验表明,基于相关滤波的目标跟踪算法必须要保证输入特征和输出特征的分辨率要尽可能一致。第三,在数据集处理阶段,分析了在传统孪生网络中使用的数据集,本文证明了训练集中非语义背景和带有语义背景之间的不均衡是学习过程中主要的阻碍。本文引入了大规模数据集ImageNet和目标检测数据集COCO来扩展正样本对的比例。第四,为了使得获得的特征鲁棒性更强,本文提出了使用特征融合方法将高级特征与低级特征融合起来并计算其相似度的方法。在传统的目标跟踪网络中,大多只单独使用高级特征或者低级特征。低层特征分辨率更高,包含更多位置、细节信息,但是其语义性更低,噪声更多。高层特征具有更强的语义信息,但是分辨率很低,对细节的感知能力较差。融合高级特征与低级特征提高了特征的鲁棒性。最后,本文在 OTB-2015,VOT2018,UAV123 和 LaSOT 基准数据集上对所提算法进行了大量实验,多个实验表明本文所提算法在处理具有挑战性的场景时,相比其它方法,具有更强的鲁棒性。在测试过程中,跟踪器无需多余的技巧就可以按照超过56 FPS的速度运行,满足实时性。