近些年,深度学习在计算机视觉领域取得的突破,使其研究日益受到人们的关注。目前,深度学习中最重要的基础模型结构——卷积神经网络在实际应用当中还存在着泛化能力差、计算复杂度高等问题。本文立足于深度学习算法及其在目标跟踪中的应用研究,主要工作如下:(1)基于国内外关于深度学习算法及其在目标跟踪上的研究发展,对卷积神经网络模型和目标跟踪技术现存的问题进行了分析。(2)研究了深度学习网络中的池化层设计问题。池化层是深度卷积神经网络结构中的一个基础部分,各种池化算法中,随机池化具有较强的抗过拟合能力,随着各种提升卷积神经网络性能的具有负值响应激活函数的出现,传统的随机池化方法已无法适用。针对随机池化无法适用于负值响应激活函数的问题,我们提出一种通用随机池化方法——域偏移最小值法。该方法对于ReLU,虽然不严格等效于原始方法,但是能保持性能不变甚至略有改善。实验表明:所提出的随机池化方法能很好地适用于具有负值响应激活函数,便于设计相应的深度神经网络。(3)研究了随机池化在目标跟踪卷积神经网络中的设计问题。卷积神经网络是目标跟踪任务中特征提取的重要部分,实际目标跟踪任务中要求卷积神经网络在保证较高准确率的同时具有较低的运算复杂度。针对目前实时性、准确性较好的全卷积孪生网络目标跟踪算法,我们提出一种轻量化的基于Tiny Darknet全卷积孪生网络目标跟踪器,并将所提出的通用随机池化方法应用到全卷积孪生网络当中以提高目标跟踪的泛化能力。(4)针对基于Tiny Darknet全卷积孪生网络,我们设计出了实际目标跟踪测试框架,并在OTB-13基准视频数据集下进行了实验测试。测试结果表明:在所提出的通用随机池化方法下,基于Tiny Darknet全卷积孪生网络目标跟踪器相比原始的AlexNet全卷积孪生网络在保证跟踪准确性略低的同时更加轻量化,帧速提高了30%,实时性更佳。