目标跟踪是机器视觉中常见的一种通过摄像头采集图像并对图像中出现的物体进行持续跟踪的一项研究课题。随着研究的不断深入,其应用范围也在不断扩大,目前目标跟踪已经被广泛应用在了人机交互、机器人、无人机、医疗、智能驾驶等领域中。就当前的目标跟踪领域的发展方向而言,主要归为两个主要的研究方向,一个是基于相关滤波类的经典目标跟踪。基于相关滤波的目标跟踪算法得益于其样本的生成方法,可以实现快速的运算,跟踪的效率高,能够满足实时性的要求。但是相关滤波类的跟踪方法的样本产生原理导致算法本身存不可避免的边缘效应问题,且跟踪的精度不够高。另外经典的目标跟踪算法主要使用人工设计的特征描述目标,所以难以应对复杂条件下的跟踪任务。另一个主流的研究方向是利用深度学习来做目标跟踪任务。利用深度学习做目标跟踪算法的主要优势体现在使用的特征,使用卷积神经网络提取目标的特征信息。卷积特征能够更好地描述目标,从而能够应对更为复杂的条件下的目标跟踪任务。本文的主要工作是设计一个基于深度学习的目标跟踪算法,具体内容包括收集和制作数据集、设计合理的特征提取网络、分类网络和回归网络。在保证跟踪的精确度和鲁棒性的基础之上提高跟踪算法的运行效率。主要工作如下:（1）基于Tensorflow深度学习框架,搭建一个基于深度学习的跟踪模型。通过卷积神经网络提取特征,运用互卷积运算得到响应特征图。通过端到端的训练得到一个分类网络和一个回归网络。其中分类网络用于判断跟踪到的目标是否正确,回归网络用于得到跟精确的目标定位。（2）在训练数据上,以开源的数据集为主,采集到的数据集为辅。对于没有标注的图像采用Open CV结合算法进行初步标注,然后再由人工检查,这样可以减少工作量和时间成本。（3）使用数据集训练一个通用的目标跟踪器,实现对一般目标的跟踪,并评估算法的性能。使用车载录像设备是收集到的道路视频训练一个专用跟踪模型,用于执行针对道路目标的跟踪任务。