尽管近些年来基于相关滤波与深度学习的跟踪方法已经取得很大进展,但是依然面临跟踪速度与跟踪精度不能同时满足导致在实际场景中应用的问题。其中主要问题就是传统的孪生网络跟踪算法由于其网络模型太浅、表征能力有限使得模型判别性较差。为解决上述问题,本文主要研究基于全卷积孪生网络的跟踪算法,论文贡献主要包括以下两点:（1）在本文中,首先利用修改后的表征能力更强的VGG网络作为特征提取的网络,然后利用一个双重注意力机制嵌入在网络中去动态的提取特征,从而提取有用的信息并且抑制干扰信息进而提升模型的判别能力;其次,为了增加特征的丰富性,我们将一个更深的网络与一个较浅的网络组合起来去充分利用网络的不同层的特征并且在不同的层之间采用一个空间级别和通道级别注意力模型以便更好的捕捉多个级别语义抽象的视觉注意特征,这有利于增强模型的判别能力。最后,由于网络的最后一层特征图有着很低的空间分辨率,如果我们独立的对待特征图中的每个元素往往会影响定位精度,所以在网络顶层采用一个非局部注意模型去强制模型学习目标的空间结构依赖关系。本文所提出的跟踪算法在OTB,VOT等基准库进行了详尽的实验并取得先进的性能,并且能够以60fps的速度在1080ti显卡上运行,可以达到实时的同时且保持较高的精度应用起来。（2）上述方法都没有利用更加先进的网络框架比如Res Net和Inception,但是直接替换会导致性能骤降,主要原因就是网络的零填充破坏了全卷积的性质使得模型学到了位置偏差。为此,本王利用了内部剪切单元裁剪掉受零填充影响的特征,并且设计一个轻量且高效的特征聚合模型去自适应的融合低层和高层的特征。在OTB和VOT上进行详尽的实验评估,结果表明了我们的跟踪器与几个性能先进的跟踪器相比能够持续获得更有竞争性的性能并且能够以50fps运行。