随着当今社会的不断发展,计算机视觉技术越来越广泛地应用于社会的各个方面,对人类社会起到越来越重要的作用。目标跟踪作为计算机视觉领域具有挑战性的研究方向,近年来吸引了众多学者,取得了大量的研究成果,但是由于存在如遮挡、快速运动等因素的影响,所以能够适应所有场景,高性能且速度快的跟踪器的设计仍然有很大的难度。近几年来,孪生网络跟踪算法由于能够在保持较高跟踪速度的同时取得较高的跟踪精度而得到了人们的广泛关注,但与其他类型的跟踪算法相比,其鲁棒性较差。为此本文以Siam RPN模型为基础,对基于孪生网络的目标跟踪算法进行研究,并重点关注模型的鲁棒性,改善模型对于复杂情况的应对能力,进而提升模型的跟踪性能,主要完成了如下工作。针对基准模型对复杂情况的应对能力不足以及使用深度卷积神经网络作为骨干网络时训练数据的数量和质量不足的问题,从三个方面对训练数据集进行扩充。增加正样本的数量,以提升模型的泛化能力;使用一些数据增强方法如颜色变化、随机擦除等,以使特征提取子网络能够更好地学习复杂情况下的特征模式;使用自举法对容易使模型跟踪失败的困难样本进行充分挖掘,以改善模型对于复杂情况的应对能力提升模型的鲁棒性。针对基准模型的准确率良好但鲁棒性较差的问题,提出了基于深度卷积网络的孪生网络跟踪算法Siam DC。使用深度残差神经网络作为孪生网络跟踪算法的骨干网络,并对残差网络的参数和结构针对目标跟踪任务进行了适应性调整,如使用相对较小的网络步长、适度调整感受野等。针对使用单一特征的模型性能不足的问题,分别基于两种特征融合方式提出了两个孪生网络跟踪算法。基于早期特征融合的孪生网络跟踪算法Siam EFF,直接对骨干网络不同层次的特征进行融合,以深层特征为主融合浅层特征,以提升跟踪模型的准确率;基于多解融合的孪生网络跟踪算法Siam MSF,对使用多个层次的特征得到的跟踪结果进行融合,使得多个跟踪结果能够优势互补得到更可靠的结果。分别在VOT2018、VOT2019和OTB2015三个数据集上进行了实验,并使用相应的性能指标对各模型性能进行了评估,实验结果表明,Siam EFF模型和Siam MSF模型在各数据集上的性能均有较为明显的提升,说明早期特征融合的方法能够提升模型的跟踪准确率,多解融合方法能够有效地提升模型的鲁棒性进而提升模型的性能。