近年来,科学技术水平飞快提升,越来越多的理论基础应用到实际生活中,而计算机视觉有着广阔的应用场景,例如自动驾驶,安防监控,智慧医疗等。目标跟踪作为计算机视觉中的一个热门研究领域,近年来也受到广泛关注。目前,目标跟踪已在工业生产、医疗、教育及交通管理等方面广泛应用。尽管如此,目标跟踪仍面临跟踪精度和跟踪速度的双重挑战。而孪生网络具有权重共享的特点,保证精度的同时降低了网络参数量。因此,孪生网络在目标跟踪领域有极大的发展潜力。本文研究的内容为单目标跟踪系统。给定目标在第一帧中的位置与尺寸,系统将在接下来的每一帧中实时、准确地探测这个目标,并用边界框标示出目标。由于基于孪生网络的目标跟踪算法具有很好的实时性以及较高的跟踪精度,因此目前的主流目标跟踪算法大多基于该网络实现。但传统的基于孪生网络的目标跟踪算法多使用浅层神经网络提取特征,使得其存在定位精度不高以及目标判断能力不强的问题。同时,以往的目标跟踪算法大多采用预设锚框的方式对目标进行预测,但基于锚框的目标跟踪算法在加入人为设定的超参数的同时增大了网络的计算量。而anchor-free抛弃了锚框的设定,直接对目标的尺度进行预测,降低了计算量和超参数的影响,已在目标检测中广泛应用。因此,本文提出了基于anchor-free的孪生网络目标跟踪算法。首先,对于传统的目标跟踪网络存在定位精度不高以及目标判别能力不强的问题,本文提出使用深层卷积神经网络作为特征提取网络。出于平衡跟踪精度和跟踪速度的考虑,采用轻量化的Mobile Net V3网络作为特征提取网络,并分别以Mobile Net V3-Large和Mobile Net V3-Small为特征提取网络设计了Siam Lite-L网络和Siam Lite-S网络。其次,为了加强模板图像特征和搜索图像特征的信息融合,本文设计了一个特征相关模块。该模块采用级联的像素互相关来代替传统的互相关,并将搜索图像特征与互相关响应特征相融合,保留了更多的空间信息,进一步提升跟踪器的性能。区别于以往的基于锚框的目标跟踪算法,本文采用anchor-free的方法对目标进行跟踪。通过预测边界距离的anchor-free的方式生成目标框,保证跟踪精度的同时降低了计算量以及人为设定超参数的影响。最后,本文重新设计了预测网络。为了提高跟踪的精度,预测网络使用了大尺寸的卷积核进行卷积以扩大感受野,并使用深度可分离卷积进一步降低了网络的计算量。为了验证目标跟踪算法的可行性和有效性,本文使用4个公开数据集进行训练,在VOT2018和OTB2015两个数据集上进行验证。为了将所设计的目标跟踪算法应用到实际中,本文设计了一个目标跟踪系统,实现了跟踪结果的实时展示。