目标跟踪作为计算机视觉领域的研究热点,在智能监控、人机交互、军事侦察等实际场景中具有非常广泛的应用前景,针对目标跟踪面临尺度变化、光照变化、遮挡等情况的影响,以深度学习网络框架为基础,从特征提取、模型更新等方面对单目标跟踪展开研究,主要研究内容如下:（1）针对目标跟踪过程中训练样本不足以及传统的分类器在线性不可分情况下分类效果不佳的问题,提出了一种基于深度降噪自编码器的粒子滤波目标跟踪算法,采用堆栈降噪自编码器（Stack Denoising Autoencoder,SDAE）作为深度网络模型,通过对数据进行噪声处理,在神经网络模型上进行离线训练,以此提高网络的表征能力和抗干扰能力。采用支持向量机（Support Vector Machine,SVM）和径向基核函数来实现特征的分类,提高网络的分类能力和跟踪算法的精度。在跟踪过程中,采用粒子滤波器分散粒子,通过深度网络模型计算粒子的置信度,实现对于单目标物体的有效跟踪。（2）为了解决算法准确性以及计算成本过高的问题,提出了基于卷积神经网络改进的粒子滤波目标跟踪算法。首先,采用注意力机制（Attention Model）对采样粒子进行约束,通过在特征图后添加注意力机制层,对干扰特征进行抑制,提高卷积神经网络的特征提取能力,通过离线训练的方式,提高网络的训练效率和泛化能力。其次,采用简单高效的Softmax作为分类器,提高网络的计算速度和分类能力,最后在粒子滤波算法框架下实现对于单目标物体的精确跟踪,同时,采用长短时决策对模型进行更新,通过在线困难样本挖掘（Online Hard Example Mining,OHEM）的训练方法减少算法的计算成本,提高对于困难样本的区分能力。（3）在OTB50数据集与其他主流的跟踪算法进行对比,实验结果表明,本文提出的两种基于深度学习的粒子滤波目标跟踪算法在面临尺度变化、光照变化、遮挡等外部因素影响下可以实现对于目标的准确跟踪,准确率分别提高了4.48%和4.86%,达到了69.1%和82.7%。有效提高了目标跟踪算法的鲁棒性。