随着科技的进步,面向视觉单目标跟踪应用的软硬件技术得到飞速发展。然而,在复杂多变的实际应用场景中,视觉单目标跟踪技术也面临诸多挑战,如:目标的遮挡、形变等。另一方面,一些特定的场景对视觉目标跟踪的处理速度提出了更高的要求,这也阻碍了单目标跟踪的进一步推广。因此,设计一个面向实际应用场景的跟踪器对单目标跟踪技术的发展具有重要的推动作用。深度神经网络是近年来视觉单目标跟踪领域备受关注的技术手段,该类方法通过学习大量标签数据的跟踪过程,离线或在线地推理目标在连续视频帧中的位置,达到目标跟踪的目的。纵观深度神经网络的诸多模型,简单的离线网络缺少较好的泛化能力,跟踪的精度往往较低;对于一般的在线网络,实时调整网络参数又造成大量时间的流失,很难达到实时跟踪的要求。本文聚焦视觉单目标跟踪实际应用场景,从主流的深度网络模型中选择了速度和精度都适中的全卷积孪生网络,并从以下两个方面进行改进:针对传统全卷积孪生网络输入中含有大量背景的问题,本文设计一种轻量级的通道注意力算法,过滤目标区域的背景特征,并配合Inception结构增强不同尺度的有效特征。模型在降低网络中固有缺陷的同时,又提高了网络的特征提取能力。在此基础上,又提出不同深度特征融合的sum-and-max算法,使最终得到的响应图能够更准确的定位目标,提高模型跟踪的精确度。在OTB基准测试上的结果表明本文提出的视觉目标跟踪器在精确性上得到一定的提升。针对视觉单目标跟踪过程可能受到噪声干扰的情况,本文将生成对抗网络和全卷积孪生网络结合,提出对抗孪生网络。对抗孪生网络包括生成网络和判别网络两部分,其中生成网络模拟真实环境,通过施加不同类型噪声干扰判别网络跟踪目标。判别网络学习噪声分布,优化自身参数,克服噪声影响从而能够准确跟踪目标。整个网络通过交替训练不断提升生成网络和判别网络的性能,实验表明本文提出的跟踪器对复杂场景下目标的跟踪有了一定的提升作用。