视觉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、无人驾驶、人机交互等多个领域有着重要应用。本课题的研究内容是单目标跟踪,表现形式为在第一帧提供待跟踪的任意单个物体,在接下来的图像序列中,跟踪算法应当准确、实时地预测目标的位置。由于第一帧提供的信息有限,不足以应对后续跟踪场景的复杂性与多变性,同时,跟踪器的速度要满足实时性,这些难点使得视觉目标跟踪一直是一个极具挑战性的任务。如何设计一个同时满足准确性、鲁棒性与实时性的跟踪器具有极其重要的研究价值与实际意义。近年来,基于孪生卷积网络SiamFC（Siamese Fully Convolutional）的目标跟踪算法由于较快的跟踪速度以及采用了端到端的大数据离线训练的方式,获得了极大的关注。然而,该算法的准确性与鲁棒性都偏低,因此具有很大的提升空间。本论文在此基础上从不同方面对该算法进行了改进,主要研究工作如下:（1）针对SiamFC算法使用较浅的骨干网络导致提取的目标特征判别性不强的问题,设计了一种增强特征的深度孪生网络跟踪算法。首先,提出了一种边缘填充区域裁剪的深度网络代替原先的浅层网络作为特征提取器,充分发挥了现代深度网络的优势。其次,采取分层特征融合的方式,同时利用深度网络的深层特征与浅层特征,从多个角度描述目标。然后,提出了一种轻量级的通道注意力机制,在几乎不增加跟踪器整体参数量与计算量的同时,扩大了不同通道的权重差距,促使网络更关注对于跟踪更有意义的特征。最后,在OTB100与VOT2018这两个数据集上进行实验,结果表明所提算法可以有效提升特征的判别能力,跟踪器的准确率与鲁棒性得到大幅提升,同时满足实时性。（2）针对SiamFC算法在线跟踪时使用的模板特征永远来自于第一帧的图像导致相似度匹配不准确的问题,改进了原有的跟踪流程,提出了一种高置信度下模板更新的目标跟踪算法。首先,使用一种跟踪置信度指标作为此帧的跟踪结果置信度,当该值较大时,则提取当前帧预测到的目标位置处的特征,该特征相比于第一帧更加贴近当前时刻目标的状态,从而可以更准确地描述目标。然后,采用线性加权的方式结合初始帧的特征与最新帧的特征,完成下一帧目标位置的估计。此外,提出一种空间掩模策略,可以有效地降低目标周围其他显著性物体的干扰。最后,所提算法在OTB100与VOT2018数据集进行实验验证,结果表明该算法可以提升在线跟踪时相似度匹配的准确率。（3）为了同时提升SiamFC算法的跟踪准确率与速度,提出了一种轻量级的高速跟踪器。首先,使用改进的小型网络Shuffle Net作为特征提取器,相对于原先SiamFC算法使用的Alex Net网络,改进后的网络的参数量与计算量都更少,因此跟踪速度得以提升。然后,使用双重注意力,即同时使用空间注意力与通道注意力来调整不同位置的响应权重,帮助网络强化对跟踪有益的特征,从而更好地将目标与背景分离。最后,所提算法在OTB100与VOT2018数据集进行实验验证,结果表明该算法相比于SiamFC算法可以更好地平衡跟踪精度与速度。