近年来,视觉目标跟踪随着机器视觉和监控技术的发展变得越来越火热。目标跟踪中基于孪生网络的跟踪方法由于架构简捷且速度、精度比较平衡而引起了学术界的关注。孪生网络跟踪方法跟踪问题视为模板匹配问题,首先使用CNN分别提取跟踪目标和包含目标的滑动窗口的深度特征,然后通过匹配两者的深度特征而从搜索区域中找到与跟踪目标最接近的部分,完成目标的定位。早期的孪生网络跟踪器一般使用较浅的网络提取特征,并且在后续处理过程中只应用网络的深层特征。这种网络的速度一般较快,但是特征判别力是有限的,因为深度网络中提取的浅层特征通常包含更多的纹理、细节信息,而深层特征包含更多的语义信息,仅采用深层特征容易忽视目标的边缘、纹理、细节信息。此外,现有孪生网络跟踪器的主干网络大部分都是从分类网络中迁移来的,而分类一般只需要区分类间差别,不需要区分类内差别,因此主干网络提取的深度特征难以区分语义背景,导致在相似背景干扰场景下跟踪效果受到影响。为了更好地解决上述所提问题,本文采取了以下的策略:1.针对目标在复杂场景下发生尺度变化、形状变化、平面内外旋转等而导致孪生跟踪器跟踪效果不理想的问题,本文提出了一种应用多尺度区域提议的目标跟踪方法。该方法把目标检测领域中的多尺度锚框思想结合到跟踪中,提出了一种多尺度区域提议网络以应对跟踪过程中的形状和尺度变化。此外,网络一方面采用具有更多卷积层的残差网络作为主干网络并融合了网络的深浅层特征以提升特征丰富度,另一方面对融合后的特征使用通道注意力机制和空间注意力机制以强化目标和搜索区域的关键特征表达。所提跟踪器在OTB-100和VOT公共数据集上进行了验证实验。2.针对深度特征难以区分语义背景导致孪生全卷积跟踪器在相似背景干扰场景下跟踪效果欠佳的问题,本文提出采用SIFT特征和运动前景掩码辅助深度特征以区分相似背景干扰。在本文算法的基础上提出并采用第一帧模板、上一帧模板、基于SIFT特征匹配和ICA运动目标检测的时空外观模板的三模板跟踪框架以改进跟踪器在相似背景干扰场景下的性能。实验结果表明本文算法应用三模板跟踪框架可以在一定程度上解决相似背景干扰。