近年来,目标跟踪技术广泛应用于智能交通系统、智能视频监控、智能人机交互、无人驾驶汽车等多个社会领域。因此,对目标跟踪方法的研究具有重要的现实意义。目标跟踪作为计算机视觉领域的一个重要方向,同样是当前的研究热点。然而尽管目标跟踪在速度及精度等许多方面取得了不错的发展,但其仍然是一个极具挑战性的任务。在目标跟踪中,背景杂乱、运动模糊、光照变化及形变等干扰均可能影响跟踪的实际效果。为了提高目标跟踪方法在复杂场景下的跟踪性能,本文基于当前主流的孪生神经网络Siam FC算法展开研究,主要工作如下:1)针对Siam FC算法用于提取特征的Alex Net网络层数较浅,学习到的语义信息较弱,当目标发生剧烈变化时容易产生漂移,从而导致跟踪失败。应选择一种合适的深度网络来替换Alex Net网络。经过分析和实验,VGG16网络作为骨干网络,跟踪效果有一定提升,而采用更深的Res Net等网络则而会使跟踪目标丢失。因此本文方法采用VGG16替换Siam FC的Alex Net骨干网络,同时考虑到过小的输入特征尺寸和响应图尺寸不利于目标的跟踪和定位,在采用VGG16网络模型时只保留了前面的10个卷积层。2)为了进一步提高Siam FC算法性能,提出基于特征金字塔的孪生网络目标跟踪方法。针对浅层次网络提取的特征不足以应对复杂情况下的跟踪,使用深层次网络提取的特征不利于目标定位。通过引入特征金字塔模型,构建融合VGG16高低层卷积的孪生特征提取网络,模板图像与搜索图像通过孪生特征提取网络产生三对不同尺寸的特征图,然后选择一对尺寸最大且融合高低层卷积最多的特征图作为特征提取网络的输出。接着对模板图像和搜索图像的输出特征通过卷积运算进行相似度评估计算响应图。3)在OTB50和OTB100数据集上的实验结果表明,本文所提算法较Siam FC算法在复杂场景下的成功率和精度均有所提高,证明了算法的有效性。