目标跟踪技术是计算机视觉中重要的研究分支,有众多的应用场景,可运用在视频监控、人机交互、竞技体育等领域。目标跟踪算法就是根据视频初始帧中给定的目标初始状态,预测目标在后续帧中的位置和大小,并做出标记。近年来,随着目标跟踪算法的不断发展,使得跟踪精度不断地提高,但是当目标出现严重形变、遮挡、快速移动等干扰时,还是会出现跟踪失败的情况。另外,跟踪速度也是跟踪算法重要的评价指标。所以,对跟踪算法进行更深入的研究十分重要。主流的跟踪算法可分为两种方法,一种是基于相关滤波的跟踪算法,其特点是跟踪速度快,能达到实时跟踪的要求,但跟踪精度较低。另一种是基于深度学习的跟踪算法,其特点是跟踪速度较慢,但跟踪精度较高。基于孪生网络的跟踪算法是运用了深度学习的方法,在保证了跟踪精确性的同时,有效地提高了跟踪速度。快速在线目标跟踪与分割算法(Siam Mask)是基于孪生网络跟踪框架中精确度较高的算法,但Siam Mask在跟踪时不需要在线学习,模板(目标)特征只根据预处理的第一帧图片进行提取,在跟踪过程中不进行更新,虽然速度上表现优异,达到了实时跟踪的要求,但是由此导致模板特征不能很好地适应目标外观模型的变化;另外,在Siam Mask的掩膜分支中,模板路浅层特征含有冗余性,会污染生成的目标掩膜,影响算法对目标的定位。为提高基于孪生网络的跟踪算法的精确性,在Siam Mask框架下,提出了两种优化的方法:(1)为了提高模板特征的表达能力,通过设置学习率,将初始帧提取的模板特征与每一帧提取的模板特征进行融合,更新了模板特征,丰富了模板特征的语义信息,提高了跟踪器的判断能力。(2)在得到目标掩膜的过程中,通过设置权重,稀释了模板分支降维的卷积特征,减少了降维卷积特征的冗余性,在保证跟踪速度能够到达实时性的同时提高了跟踪的精度。为了验证本文改进算法的有效性,在VOT2016和VOT2018数据集上进行测试,预期平均重叠率分别为0.450和0.390,精确性分别为0.649和0.618,鲁棒性分别为0.205和0.272。不同程度的高于其他对比算法,34.66帧/秒的跟踪速度达到了实时跟踪的要求。所提算法有效地提高了跟踪的精确性,在复杂的跟踪环境下,能够良好的完成跟踪任务。