随着人工智能的快速发展,视频目标跟踪成为了计算机视觉领域中的热门研究课题,在智能视频监控、智能交通、智能人机交互和智能医学诊断等领域有着广泛的应用。近年来,视频目标跟踪领域不断向前发展,结合深度学习的单目标跟踪算法相继涌现。然而,由于在跟踪过程中经常存在目标自身的变化和周围环境的影响,在复杂场景下准确和鲁棒的目标跟踪仍然极具挑战性。本文在孪生网络的跟踪框架下,从模型训练、网络结构和特征融合等方面进行研究,提出了三种单目标跟踪算法,其主要工作如下:(1)提出了基于判别性上下文感知相关滤波网络的目标跟踪算法。现有的结合相关滤波的孪生网络跟踪算法利用余弦窗减弱边界效应,减少了目标周围的上下文信息,限制了跟踪算法的准确性。本文在孪生网络跟踪框架的基础上,对上下文感知相关滤波器的损失函数进行反向推导,将其解释为卷积网络的特殊层与孪生网络相结合,以端到端的方式对整个网络进行离线训练;将通道注意力模块嵌入到整个网络的模板分支中,利用通道注意力机制为目标物体的外观变化挑选语义属性;结合响应图的峰值和平均峰值相关能量比,提出了一种高置信度更新策略,根据置信度决定是否进行模型更新。(2)提出了基于深度孪生网络的目标跟踪算法。现有的孪生网络跟踪算法使用浅层网络Alex Net进行特征提取,未充分利用深度卷积网络的优势,无法应对目标自身和周围的复杂变化,限制了跟踪算法的鲁棒性。本文在孪生网络跟踪框架的基础上,对VGG-16的网络结构进行修改,将原来的Alex Net替换为修改后的VGG-16网络,对目标进行鲁棒跟踪;为了提高在背景干扰挑战下的跟踪性能,利用空间掩模在图像级和特征级上对目标进行背景抑制,抑制不相关的背景噪声;为了提高深度孪生网络的跟踪速度,仅利用深度孪生网络进行位置估计,在此基础上,利用判别性相关滤波网络进行尺度估计。(3)提出了基于双通道孪生网络的目标跟踪算法。现有的孪生网络跟踪算法使用浅层卷积特征或者深层卷积特征进行目标跟踪,单一层次的卷积特征无法同时兼顾准确性和鲁棒性,限制了在复杂场景中的跟踪性能。本文把判别性上下文感知相关滤波网络作为外观分支,把深度孪生网络作为语义分支,组成双通道孪生网络,利用浅层卷积网络和深层卷积网络分别提取目标的空间结构信息和高层语义信息;结合平均峰值相关能量比计算响应图的权重参数,自适应融合外观分支和语义分支的响应图;为了应对背景干扰的挑战,利用多域卷积神经网络对响应图中的多个峰值所在进行检测。