RGBT目标跟踪由于其全天时、全天候下卓越的跟踪性能受到了人们的广泛关注,现有的方法通过设计融合模块来实现有效的多模态融合,然而这些融合方法缺乏足够的表达能力,很难应对复杂的现实场景。此外,融合的RGBT特征有噪声和冗余,其中一些无用的特征甚至干扰目标的定位并导致过拟合问题。为了解决上述两个缺陷,本文围绕增强特征信息与特征选择展开研究,论文的主要工作如下:第一,给出了一种基于交叉注意力的RGBT目标跟踪算法。现有的RGBT目标跟踪算法通常采用引入模态权重或者利用注意力机制来实现多模态信息融合,取得了较好的跟踪性能。但上述方法由于在融合时仅考虑模态内的特定信息,或只关注于模态间的协同信息,导致融合时特征表达能力不足。为此,本文设计了一种交叉注意力模块同时关注模态内的特定信息和模态间的协同信息。该模块通过在统一的深度学习框架中联合可见光模态和热红外模态的模态内及模态间关系进行建模,充分挖掘了模态内的特定信息及模态间的互补信息,增强了特征表达能力,实现了鲁棒的RGBT目标跟踪。在RGBT234和GTOT两个跟踪基准数据集进行大量实验,结果表明本文方法在准确度和成功率上均有所提升,验证了本文方法的有效性。第二,给出了一种基于高秩特征选择的RGBT目标跟踪算法。现有的RGBT目标跟踪算法通过深度融合多个模态的信息,增加了特征的丰富性。但与此同时因融合特征也引入了噪声和冗余信息,降低了跟踪器的定位精度,甚至会出现过拟合问题。针对以上问题,本文提出了基于高秩特征选择的RGBT目标跟踪算法。该算法包括高秩特征选择以及空间位置注意力两个模块,高秩特征选择模块利用特征图的秩对特征进行选择并删除低秩的特征图,提取具有判别性的目标特征,以此解决融合后特征信息冗余和存在噪声的问题。同时设计了空间位置注意力模块,使用行和列两个维度上的平均池化操作,加强网络对于位置信息的关注度,从而实现准确的目标定位。在两个公开RGBT目标跟踪数据集RGBT234和GTOT上的大量实验结果表明,本文所提出的方法较之当前的RGBT目标跟踪算法在各种评价指标上皆有显著的性能提升,验证了所提方法的有效性。