目标跟踪是计算机视觉领域的一个重要研究问题,在智能监控、自动驾驶、人机交互以及国防军事等领域都有着广阔的前景与需求。目标在运动过程中的形变、视点变化、遮挡和运动模糊等因素为目标跟踪领域带来许多挑战。基于多域卷积神经网络的目标跟踪方法（MDNet）因其适用于跟踪问题的多域网络结构及良好的性能表现受到了广泛的关注,但仍面临着模型训练速度慢及泛化性能弱的缺点。本文以MDNet及其改进跟踪模型为研究对象,结合基于深度学习模型的元学习方法,利用其快速自适应能力的优势,学习更具判别能力和泛化能力的深度特征,进而提升跟踪性能。本文主要研究内容如下:（1）针对预训练集和跟踪视频的域不一致性导致跟踪性能下降的问题,提出了一种基于原型注意力的多域网络目标跟踪方法（Proto-MDNet）。以实时多域网络目标跟踪方法（RT-MDNet）为研究对象,在训练过程中引入原型网络方法使模型具有域自适应性。基于跟踪结果的正负样本得到目标的原型注意力,将其与待跟踪视频的特征图进行逐通道自适应融合,使得模型在大型数据集上得到判别力更强的目标表示,从而提高跟踪算法的性能。在两个跟踪基准数据集上的实验结果表明,提出方法的精度和成功率分别提升了2.2%和2.7%,与其他代表性方法相比也具有竞争的能力。（2）针对模型不可知元学习（MAML）方法的随机初始化网络头限制性能的问题,提出了一种基于线性判别式初始化分类器头的改进方法（HILDE-MAML）。该方法利用线性岭回归模型的闭式解初始化内循环分类器头,且采用了Woodbury理论,显著降低解模型中矩阵求逆的计算复杂度,使求解速度大幅提升。具有闭式解的初始化分类器头使MAML可以快速学习以适应新任务,同时防止优化器在初始迭代中过分关注分类器的更新,从而加强面向通用特征的网络体参数更新。在四个小样本学习基准数据集上的实验结果表明,该方法显著地改进了MAML及其变体算法MAML++的性能,也优于元学习领域的其它代表性方法。（3）针对基于MDNet的元跟踪器（Meta-Tracker）中使用随机初始化导致不能快速适应新任务的问题,提出了一种基于线性判别初始化元学习的多域网络跟踪方法（HILDESDNet）。采用线性判别初始化头代替原始的随机初始化头,可以快速适应新任务学习,同时增强跟踪模型对目标形变的鲁棒性。实验结果表明,该方法提高了跟踪器的初始化速度,同时具有更好的跟踪性能。