全卷积孪生网络目标跟踪算法由于其很好地平衡了精度和速度的关系而得到快速发展。但是仍然存在一些难点限制其跟踪性能,如背景混杂、遮挡以及形变等。特别是在相似背景信息干扰下会出现跟踪漂移,而且现有的基于锚框生成的目标跟踪算法超参数多,带来额外的复杂度和计算消耗。此外,只利用卷积神经网络提取的单一层语义信息做跟踪预测会导致图像信息利用不充分,不能形成更鲁棒地跟踪,而简单的将多层特征自适应融合的效果并不理想,需要应用一种合理的充分利用不同层特征对应优势来跟踪预测的方法。针对上述问题,本文提出两种方法去解决,具体研究内容如下:（1）为了避免超参数过多,同时抑制目标附近干扰物影响,通过重新设计孪生网络跟踪算法的分类划分与回归方式,改变采样策略,提出了一种基于中心像素加权的无锚框孪生网络跟踪算法（CPWSiam）。首先,引入无锚框的回归方式,逐像素进行分类预测和回归目标框,避免了超参数过多和计算复杂度增加带来的影响;其次,对像素点进行了更精确的正负样本划分,使正样本像素点包含的背景更少,提升特征判别能力;最后,通过中心加权采样的方法,体现出正样本像素点不同的关注度,降低临近相似背景的影响,使跟踪器能够做出更精确预测。在VOT2018数据集上的实验结果表明,CPWSiam的EAO指标高出Siam RPN++2.9个百分点,达到了先进的性能。（2）为了充分利用图像不同层次特征,同时发挥Res Net50网络的特征提取能力,在CPWSiam算法只使用单一层次特征的基础上,结合加权投票法,对Res Net50不同阶段提取的特征经分类回归网络后得到的分类得分图和回归图分别进行加权投票,提出了多层投票孪生网络目标跟踪算法（MVCPWSiam）。通过分层投票设计,避免了常规方法对于多层特征直接自适应融合预测的简单处理方式,从而实现更精确目标状态预测,进一步提升了本文算法性能。在VOT2018数据集上的实验结果显示,MVCPWSiam的EAO指标高出CPWSiam 1.6个百分点,同时在多个属性挑战上的优势进一步扩大,体现了MVCPWSiam算法良好的泛化性能,能够实现更鲁棒地跟踪。