视频目标跟踪任务是计算机视觉领域中难度较高的研究课题之一。此任务的目的在于,对视频中的某一目标进行跟踪,在每一视频帧中找出该目标出现的位置。这项技术的应用场景也较为广泛,如解决自动驾驶任务中的行人跟踪、安防监控系统中跟踪某些特定目标对象等。随着深度学习技术的发展,越来越多基于深层神经网络的方法被提出并用于解决计算机视觉问题。基于深度学习的视频目标跟踪主流方法为孪生神经网络算法,算法思想为:将视频数据拆分为若干帧图像数据并依次进行运算。使用轻量级卷积神经网络提取视频的模板图像及搜索空间图像的特征;对所得特征向量进行互相关计算,得到搜索图像中不同位置处的特征与目标特征间的相似值;将互相关响应值最大的那个特征判定为目标特征,此特征向量的位置即为目标在当前视频帧中出现的位置。本文提出方法基于孪生神经网络及区域推荐结构,提出的创新工作如下:针对区域推荐结构中存在的正负样本不平衡问题,本文提出Overlap Sampler采样策略,使网络筛选出更值得学习的正负样本。Overlap Sampler通过计算所有proposal间的IOU(intersection-over-union)值,选择靠近目标正样本的那些负样本参与网络训练。对于正样本,Overlap Sampler采样策略对目标的最佳匹配框进行损失加权,使网络更专注学习与目标真实值最靠近的正样本。此项提出工作在VOT2015数据集上取得了跟踪效果提升。另外本文针对低质量视频提出一种自适应特征增强模块,提升此类视频中的目标跟踪准确率,使用人工蜂群(Artificial Bee Colony,ABC)算法结合非完全Beta函数实现。非完全Beta函数用于进行图像灰度变换,人工蜂群算法用于搜索非完全Beta函数中的两个参数,根据不同视频帧的质量情况生成对应的最佳灰度变换曲线。另外的,本文提出一种结合图像边缘响应值、图像边缘个数、图像的熵及图像对比度等四个图像属性的视频帧质量评估函数,以此指导人工蜂群算法优化学习。自适应特征增强模块计算量友好且计算速度快,在不损失整体算法速度的同时提升低质量视频内的目标跟踪准确率,在VOT2015数据集上取得较好表现。