目标跟踪是计算机视觉的一个研究重点,在安防监控、人机交互、智慧城市和物联网等领域具有广泛的应用。大数据时代的来临和深度学习的兴起,为目标跟踪研究提供了新的契机。基于深度学习的目标跟踪算法提取目标特征能力更强,不同环境下的算法准确性和鲁棒性更高。本文在研究基于深度学习目标跟踪算法网络框架的基础上,为了平衡算法跟踪准确性和实时性,选择以全卷积孪生神经网络SiamFC作为基础架构,对SiamFC算法的跟踪网络架构和跟踪策略进行改进,主要工作如下:在网络结构方面,针对SiamFC算法网络骨架较浅,卷积特征不够丰富的问题,提出基于多层特征融合的孪生神经加深网络目标跟踪算法,把网络架构从单支结构转变为分支结构,通过分支结构实现空间特征和语义特征的有机融合,使卷积特征包含更多的信息,从而更加精确地对目标进行跟踪。在跟踪策略方面,针对SiamFC算法在彩色复杂场景下跟踪效果较差的问题,提出引入匹配机制的孪生加深神经网络目标跟踪算法,通过引入颜色直方图匹配机制,对候选样本与模板进行相似度匹配,选择匹配度更高的候选样本作为跟踪结果,提升了算法的判别能力。在公开的数据集OTB2015上进行了对比测试。测试结果表明,本文提出的算法,在保证目标跟踪实时性的同时,准确性得到提升,特别是在跟踪难点上具有更强的鲁棒性。