在当下生产生活中,红外视频作为获取温度场信息的重要媒介,衍生了许多工业或生活应用。目标跟踪算法作为计算机视觉中十分重要的技术,在对图像序列中已标定的目标进行连续准确且快速的捕捉,应用十分广泛。将二者进行结合的红外对地目标跟踪算法是一个有实际意义的挑战,受到各国研究者的广泛关注。现有算法存在着许多不足。对于对地目标来说,红外视频的质量相对较低,导致视频在跟踪时效果不佳,且信息的多样性、运动的复杂性使得跟踪算法的准确性和鲁棒性都有可提升空间。本文针对红外视频目标跟踪面临的难点展开研究。首先分析了红外视频质量差的原因以及改进的方法,再分别提出了基于红外视频自注意力和基于可见光视频的红外视频边界增强两种算法来解决这些问题。本文主要研究内容如下:（1）针对红外视频的特征进行分析。首先,从视频获取的角度分析红外视频质量较差的成因;之后,从当下最流行的技术神经网络的角度分析对质量差的视频存在的难度和挑战。最后,分析了当下的评价指标对于红外视频的目标跟踪算法的影响。（2）针对红外视频边界较弱的特点,提出了一种基于自注意力机制的图像预处理机制。为了将红外视频的边界增强,通过每一个像素和周边像素的关系,得到像素点的结构性信息,再通过基于孪生网络和候选区域提取网络的目标跟踪框架来进行后续的处理,提出了一套完整的端到端网络架构,提高了跟踪的准确度和鲁棒性,平均准确度达到了0.768,平均跟丢次数降至0.75。（3）针对红外视频自身提取的边界信息不够充分的缺点,提出了一种基于可见光视频的监督网络,使用可见光的边界信息来增强红外视频边界信息,使得红外视频在跟踪时结构信息被得到增强。同时,提出一种损失函数来衡量结构性信息,对网络进行训练和规整。该监督模式准确率和鲁棒性得到了提高,在较高挑战性测试集中达到了0.707的平均准确度和0.714的跟丢率。且不需要额外的算法开销。