目标跟踪问题是计算机视觉领域中的一个重要方向。在深度学习被广泛应用前,采用相关滤波（Correlation Filter）的目标跟踪算法有着较好的跟踪能力。近年来,深度学习的发展使目标跟踪的研究取得了更大的进步,其中全卷积孪生神经网络Siamese FC使用孪生（Siamese）网络为框架实现了高精度和高效率的目标跟踪,但仍然有以下问题:采用的骨干网络Alex Net特征提取能力不足,容易被相似目标影响;没有模板更新功能,遇到目标遮挡、画面模糊问题时跟踪性能较差。本文针对以上问题,在Siamese FC基础上进行了改进。主要的研究工作如下:（1）提出了双模板异步更新机制。将Siam FC的骨干网络Alex Net换为调整过的VGG网络,利用VGG网络可以提取深浅两层特征的特性,使跟踪器更全面地获得目标的颜色、形状等信息;同时采用双模板更新,但考虑到深、浅两层模板信息变化幅度的不同,将判断深层模板是否更新的频率定位3帧,浅层模板则定为5帧,从而提高性能。（2）提出了改进的基于APEC的模板更新机制。模板有初始、前一帧跟踪所用、当前帧提取三种分支。平均峰值相关能量APCE作为置信度指标,代表了跟踪结果的好坏,因此使用APCE作为判断依据,首先判断模板更新与否,如果判断需要更新,就继续使用APCE的值决定三种分支在模板更新中所占的权重,从而以动态变化的方式保证了更新的模板质量。（3）结合以上两点改进构建了一个跟踪器。然后设计实验,其他主流跟踪器进行性能对比,实验结果表明在跟踪基准数据集上的结果相较Siam RPN算法,提高了4.7%的成功率和4%的精确度,性能较好且能满足跟踪的实时性要求。最后,本文将该算法应用到目标跟踪系统中,设计并实现了目标跟踪系统,该系统可用于辅助监控人员进行目标监控等的场景,可以选定任意视频和摄像头画面进行跟踪,也可以进行跟踪结果再现和管理等。