随着科技的发展,具有目标跟随能力的车载机器人被广泛应用于工厂、超市和机场等运输场景,很大程度上节省了人力成本并提高了运输效率。基于全卷积孪生网络的目标跟随算法（Fully-convolutional siamese networks for object tracking,简称Siam FC）在一般场景下具有泛化能力强、跟随精度和成功率高的优点,近年来备受瞩目。但在实际应用中,跟随目标在快速移动和遮挡场景下,存在Siam FC算法跟随精度和成功率下降的问题。因此,本文提出了一种基于混合注意力机制残差孪生网络的目标跟随算法,以提高跟随算法的稳定性、可靠性。结合提出的跟随算法即时定位与地图构建（Simultaneous Localization and Mapping,简称SLAM）算法,本文搭建一个车载移动目标跟随平台。具体研究工作如下:（1）基于车辆运动控制系统、目标跟随系统以及电源系统搭建了户外智能载物小车。其中,车辆运动控制系统以STM32为核心,采用惯导检测车辆姿态,控制伺服电机实现平台运动。目标跟随系统采用英伟达开发板进行图像识别并计算得出车辆运动方向,同时接入思岚激光雷达A1进行即时定位与建图。电源系统则采用MP2307进行电压转换,车载锂电池加装太阳能辅助供电以延长户外续航能力。（2）针对小车在户外大范围以及非结构化环境下跟随效果差的问题,提出使用具有实时构建,对室内周边环境进行读取与建图Cartographer算法。Cartographer综合利用多个传感器（激光雷达、惯导和摄像头）的数据能实时建立全局一致的地图,扩大机器人的活动范围,为后续在户外进行目标跟随提供基础。（3）针对跟随目标在快速移动和遮挡场景下,导致Siam FC算法的精度和成功率低的问题,提出混合注意力机制残差孪生网络模型。设计零填充残差网络提取深层图像特征,添加混合注意力机制,调节目标信息权重,提高目标快速移动和被遮挡下的稳定性、跟随成功率和精度。并采用扩充重叠截取法构建自扩充平衡训练样本对,提高模型泛化能力。在数据集OTB2015、UAV123、UAV20L和Temple Color 128上进行测试,结果显示在OTB2015、UAV123、UAV20L和Temple Color 128上,混合注意力机制残差孪生网络模型与Siam FC算法相比成功率分别提高了4.6%、1.4%、7.5%以及4.3%。在精度上分别提高了3.9%、1.5%、5.8%、3.2%。综上,跟随目标在户外快速移动和遮挡场景下,存在跟随精度和成功率低的问题。首先提出使用Cartographer算法对地图进行实时构建,为进行户外目标跟随提供基础,其次从结构和策略上开展深入研究,提出混合注意力机制残差孪生网络算法。通过公开的数据集与实际工程实验的验证,结果表明该算法有效提升了目标跟随成功率和精度。最后,将混合注意力机制的残差孪生网络移植到智能小车上,小车通过跟随算法和Cartographer的结合可实现良好的跟随效果。