目标跟踪任务为给出某视频第一帧中运动目标的大小和位置,在后续视频帧中预测该运动目标的位置。目标跟踪一直以来都是计算机视觉研究的热门方向,应用广泛,如:通信、军事、交通等各个领域。在过去的几十年里,目标跟踪领域的相关研究取得了比较不错的成果,但依然存在许多的问题亟待解决。基于相关滤波器的跟踪算法和基于深度学习的跟踪算法是当前主要的两大类目标跟踪算法。神经网络应用于目标跟踪虽然提高了精度,但由于网络本身的高计算复杂度致其无法满足实际目标跟踪需求。对此基于孪生网络的目标跟踪被提出,在一定程度上缓解了上述问题。但早期的孪生网络大多采用浅层网络来进行特征提取,实际上更深层次结构的网络才能提取出好的特征,而如果直接替换浅层网络,深层网络中的填充又会导致孪生网络模型整体性能下降。因此,本文针对上述问题提出了一种基于残差注意力孪生网络的目标跟踪算法,并在此基础上添加一个评估质量得分分支,提高目标跟踪实际应用性能。具体工作如下:（1）基于残差注意力孪生网络的目标跟踪算法:浅层网络往往只能提取细节信息而无法提取包含更多的深层特征信息,对比采用Alex Net作为特征提取网络结构,本文采用基于空间感知采样策略训练的Res Net50网络,同时加入关注通道注意力的SE模块,替换Siam RPN中的Alex Net并以此进行特征提取,提高网络特征提取质量及目标跟踪效果。最后选用有效的基准对比方法,进行对比实验,对比实验结果表明我们所提出的跟踪算法性能优于其他同类算法。（2）基于评估质量得分分支的孪生网络目标跟踪算法:由于Siam RPN网络分类分支是以置信度分数作为选取目标预测位置的依据,导致较好跟踪效果的预测被删除,进而降低了网络跟踪精度。对此,本文在RPN分类分支上添加一个评估质量得分分支,使围绕物体中心位置的特征具有更好的估计质量,具有较高精确度的预测位置拥有更高得分,进而提升目标跟踪性能。相关仿真实验证明,本文所提出的算法能够有效提升目标跟踪精度,同时其性能也优于其他的基准对比算法。