目标跟踪问题是计算机视觉领域的热点研究课题,其通过视频序列第一帧目标的位置尺度信息,预测出后续帧目标的位置和尺度。目标跟踪技术广泛应用于安防监控、智能交通和体育赛事转播等领域。现阶段的目标跟踪面临许多挑战,比如运动模糊、低光照、目标被遮挡、背景干扰等因素,影响了跟踪器的性能。近年来借助深度学习的蓬勃发展,科研学者提出了基于深度学习的目标跟踪框架来解决可见光（RGB）目标跟踪问题,这些目标跟踪算法利用大规模的复杂视频序列数据集和深度神经网络,使得提取的目标特征更具鲁棒性,提升了目标跟踪的效率和精度,可是复杂环境下的挑战因素依旧会极大程度地降低跟踪器的精度。为了克服目标跟踪过程存在的问题,将热红外（T）模态引入到跟踪器中与可见光模态互补,成为提高跟踪精度的新思路。本文研究了可见光和热红外信息融合的目标跟踪,主要工作和成果如下。第一,提出了基于通道动态加权孪生网络的RGBT目标跟踪方法。当使用Siam FC作为RGBT目标跟踪的基准算法时,不同的跟踪挑战对可见光图像和热红外图像的成像质量存在差异性影响,因此简单地相加模板图像与搜索图像互相关产生的多通道响应图,会导致目标定位不准。针对上述问题,该方法提出了通道动态加权模块,将每个通道的响应图视为不同的预测偏好,首先在空间维度压缩响应图并构造空间描述子,输入到感知机建立通道依赖模型,然后利用网络学习到的权重向量对原始多通道响应图加权求和得到最终的响应图,从而确定跟踪框的具体位置。通道动态加权模块通过关注可靠的响应图,降低不可靠通道的响应图噪声干扰,解决目标定位不准问题。此外针对目标暂时被遮挡或者目标快速移动导致的目标丢失的问题,提出了一种重检测机制,通过扩大搜索图像的范围使跟踪器能够再次捕捉目标。最后在GTOT数据集和RGBT234数据集进行了一系列实验,证明本方法的有效性。第二,提出了基于跨模态特征增强的RGBT目标跟踪方法。目前实现RGBT目标跟踪常用的手段是在通道上对可见光图像特征和热红外图像特征进行拼接并输入到RGB跟踪器,但简单的融合策略没有利用模态内特征的联系,也没有利用模态间特征的联系,会引入各个模态的噪声。针对上述问题,本文提出了一种跨模态特征增强策略,设计了自注意力模块和协同注意力模块。自注意力模块和协同注意力模块通过非局部操作,分别建模模态内与模态间特征图上任意两个空间位置的关系,捕获远程依赖,获取全局信息,增强网络在空间域上的建模能力,提高目标在复杂场景下的表征能力,实现鲁棒的RGBT目标跟踪。实验表明本方法在GTOT数据集和RGBT234数据集上的PR指标和SR指标均实现较优的结果。本文的工作为解决复杂环境下鲁棒的目标跟踪提供了理论和方法支撑,对跟踪模型目标定位不准和特征表达能力不足的关键问题提出了改进方案。