回顾计算机视觉的发展历程,关于视频目标跟踪技术的研究在IT行业中一直是讨论最热门的话题之一。目标跟踪通过对视频序列中图像的上下文信息进行提取和分析,从而对目标的运动状态作出预测,对目标的所在位置作出标定。目标跟踪不仅在目标的跟踪场景分析领域扩展丰富的数据资源,而且为运动目标的正确检测和识别提供有力的帮助。尽管如此,视频目标跟踪技术仍然不够成熟。在跟踪过程中,目标不仅会受到遮挡、模糊和姿势变化等因素的干扰,而且还可能会受到自然环境的影响,比如光照变化和天气等。这些干扰因素都可能会导致跟踪效果不佳。因此,对于视频目标跟踪技术的研究依然是一个具有挑战性的工作。针对比较经典的Siamese-FC跟踪算法中所存在的两个问题:跟踪的精度和速度无法达到相对平衡以及目标容易受到遮挡或者复杂背景等因素的影响,从而可能会出现目标被跟丢或者跟踪漂移的问题。本文利用深度学习的理论知识,以孪生神经网络为基本架构,提出两种新的目标跟踪算法。主要做以下两个方面的工作:一是提出Siamese-SE孪生网络跟踪算法。具体是在网络模型中嵌入SE-Network子结构,分析图像中各个通道之间的相关性,并对其建模。目的是为了提高特征的表征能力,减少运算量从而节约运算时间,使跟踪的速度和精度达到一个相对平衡的状态。二是提出一种基于时间注意力机制的孪生网络跟踪算法。具体是在网络模型中加入时间注意力机制,首先收集当前帧中的正、负样本以及历史帧中的正样本,对其样本进行卷积操作;然后利用时间注意力机制模块对卷积后的特征进行自适应赋予权值;最后对所预测目标的状态进行在线更新,从而减小因遮挡或者复杂背景对跟踪结果的影响。本文在三种不同的公共数据集进行训练和测试,通过与多种基于传统机器学习的跟踪算法和基于深度学习的跟踪算法进行对比,使用成功率、平均重叠率以及一次评估方法等评价标准对实验结果进行分析。结果表明本文所提出的算法在跟踪效果上优于其他对比算法,对于多种跟踪干扰因素具有较好的鲁棒性。