目标跟踪通常以视频序列第一帧中感兴趣目标区域建立目标模板,在后续序列中对此目标进行探测跟踪。目标跟踪为目标的行为理解和分析提供了重要的基础信息,有着广泛的应用前景。虽然当前目标跟踪技术,尤其是近几年基于孪生深度网络的目标跟踪算法取得了较快的发展,但是在跟踪过程中,通常存在复杂跟踪场景和预训练模型表观能力不足等影响因素,导致算法预测目标框不准确的问题,即出现算法的预测目标位置偏离真实位置或者跟丢的情况。针对该问题,本论文提出了基于局部感知辅助孪生网络的目标跟踪算法以促进跟踪效果。论文的主要工作如下:（1）基于局部感知辅助孪生网络的目标跟踪算法在网络模型训练和目标跟踪两个阶段进行改进:模型训练阶段,训练数据集通过新的图像裁剪方式扩充,保证目标在图像中仅包含局部内容,并根据裁剪后的训练样本对训练标签进行优化设置,使得训练得到的辅助孪生网络具备局部感知能力,即对搜索区域仅包含目标部分内容时的探测能力;目标跟踪阶段,根据提出的计算公式MRD（Maximum Response-Distance）和响应最大值综合判定是否进行位置校正,当基础算法预测输出偏离真实目标时用辅助孪生网络对基础算法输出进行位置校正,以提升算法的跟踪准确性。（2）实验部分主要通过定量和定性两个角度对算法性能进行评估:定量评估中,本论文使用VOT2016、VOT2018两个目标跟踪领域公认的基准数据集进行了大量的实验。同时与基准算法Siam Mask和其余六种近年具有代表性的经典跟踪算法进行了比较;定性评估中,从辅助模型有效性、跟踪场景展示、多算法跟踪三个角度进行展示。实验结果表明,本论文提出的改进算法取得了更优的跟踪性能。