目标跟踪是计算机视觉领域的一个热门分支,对自动驾驶和智能监控等领域具有重要意义。目前研究者们已经提出了诸多算法,但目标跟踪仍面临着极具挑战性的难题。随着深度学习的不断发展,如何利用深度神经网络提高目标跟踪算法性能成为越来越受关注的话题。为此,本文开展了如下工作:(1)基于相关滤波跟踪算法提出了一种长时间跟踪算法。首先为解决特征单一问题,利用多级卷积特征提升传统核相关滤波算法的性能,然后通过融合背景特征缓解边界效应,最后设计了一个基于支持向量机的重新检测模块应对长时间遮挡和目标丢失问题;(2)基于生成学习的思想设计并实现了一种基于全卷积孪生网络的目标跟踪算法。使用对抗生成网络自动产生掩膜增强训练样本,防止网络对相似正样本过拟合,提升特征提取网络的性能;(3)基于稠密连接网络设计并实现了一种基于区域推荐孪生网络的目标跟踪算法。用更深的网络提取表征能力更强的特征;用稠密连接的方式实现浅层空域特征的复用,缓解深层特征过于抽象不利于目标定位的问题;引入剪裁层移除特征图外围像素,减小像素填充带来的位置偏差;然后利用区域推荐网络回归推荐框,从而实现更准确的目标跟踪。(4)在OTB-2013和OTB-2015数据集上的实验证明,本文提出算法在跟踪准确性和鲁棒性上有良好的表现。