目标跟踪是计算机视觉领域的基础性研究问题,被广泛应用在当今社会的众多领域中。目标跟踪即在视频序列的初始帧中给定目标特征,跟踪器在后续帧中预测该目标的位置、尺寸和轨迹等信息。近年来,基于孪生网络的跟踪算法相比其他类型的跟踪算法表现出了优异的跟踪性能,但是在面对目标快速运动、形变、尺度变化、旋转等复杂问题时,跟踪性能仍然有待提高。本文针对孪生网络系列的跟踪算法进行了深入的研究分析,特别研究了近期热门的孪生网络与图像分割相结合的跟踪算法SiamMask,针对该算法存在的缺陷提出了如下两种提高跟踪性能的方法:（1）针对基于分割的跟踪算法在目标发生复杂运动时,跟踪框内背景较多的问题,本文提出了一种基于前景优化的视觉目标跟踪算法。该方法将前景优化分为尺度优化和角度优化,首先评估跟踪框内的前景比例,若小于设定阈值,则对跟踪框进行优化;尺度优化方法中,首先采用条件概率计算跟踪框的可靠性,针对可靠性较低的跟踪框进一步分析目标在不同方向运动引入背景的可能性,结合回归框分别设计了均值策略和自适应策略;角度优化方法针对跟踪框设定多个偏移角度,利用IoU（Intersection over Union）极大策略计算与前景旋转角度最接近的跟踪框,跟踪器进行输出。最后,本文在VOT2016、VOT2018、VOT2019三个数据集上进行了消融实验,实验表明尺度优化和角度优化均在不同程度上提升了基准算法的跟踪性能。另外,本文提出的前景优化策略针对基于分割的跟踪算法具有一定的普适性。（2）针对基于锚框的孪生网络跟踪器在计算候选框得分时,采用固定的惩罚参数抑制候选框的尺度与宽高比变化,而没有考虑到目标在每帧中变化幅度不同的问题,本文提出了一种基于目标变化幅度自适应的跟踪方法。首先分析了引入惩罚参数的物理意义,即根据前一帧目标框抑制当前帧候选框的尺度和宽高比变化。其次针对固定参数的缺陷提出了该方法,通过对比当前帧候选框的宽高比与前一帧目标框的宽高比,以此判断当前帧目标的变化幅度;再根据目标变化幅度自适应惩罚参数进行抑制,使得候选框得分更加准确。最后本文在VOT数据集进行了实验验证,数据证明相比基准算法本文的各项指标均得到提升,特别是鲁棒性提升最明显。