在当前计算机计算能力得到极大提升且大量的基于计算机技术的新式算法的提出的背景下,使得具有一定智能的机器人实现成为可能,特别是针对服务领域的机器人实现方法得到了广泛的关注。而对于服务机器人来说,一个重要的功能是对目标进行有效的跟踪。从2012年以来大量的基于视频的跟踪方法被提出来,并且取得了较好的成果,这种实现的跟踪方法主要应用于安防监控方向,而对于在实际场景下的跟踪方法目前相对较少,所以本文利用当前对图像处理较好的深度学习卷积神经网络方法,对实现目标跟踪在实际场景下的应用提出一个解决方案。针对在目标跟踪中出现目标大小尺度变化的情况,设计了专门的多尺度输入网络,对相应尺度的目标进行特征提取,有效处理在跟踪中由于距离变化带来的跟踪对象被背景淹没的情况。对于目标尺度不同的匹配问题,改进了孪生网络用于对目标特征进行相似性度量,较好的实现了对不同尺度图片匹配的适应能力。针对在视频跟踪中没有考虑的目标大小发生变化的情况,应用了目标框回归的方法对得到的目标框进行调整,改进了输出效果。对于在长时间跟踪中出现的目标发生变化的情况,本文提出了一个三尺度基准模板匹配的方法,增强在长时间跟踪中的鲁棒性,对于模板库中可以使用的模板,提出了结合匹配精度以及和前面三帧结果匹配均值的比较方式,这样在模板匹配的更新中就使用到了跟踪的历史信息,增加了跟踪算法提取目标信息的能力。并且在OTB数据集以及实际环境中对本文中的方法进行了验证,通过原有算法和本文算法的对比测试结果,验证算法的性能。