视觉目标跟踪是计算机视觉领域的一个重要研究方向,其任务是给定视频序列中首帧目标的尺寸和位置,在后续视频帧中持续输出目标的状态信息。随着近年来计算机视觉技术的发展,目标跟踪技术已经被广泛应用到众多领域,如智能安防、无人驾驶、虚拟现实等。但目前目标跟踪任务仍面临目标快速形变、非刚性形变、尺度变换、前景-背景判别等难题和挑战,导致复杂场景下无法对目标进行准确鲁棒地跟踪。本文针对上述问题,提出了两种基于深度孪生网络结构的目标跟踪模型,解决了目标非刚性形变和多尺度等问题,整体提高了跟踪的准确性和鲁棒性。本文的主要研究工作如下:针对目标的快速形变、非刚性形变导致的跟踪任务准确率较低的问题,提出了一种基于掩膜信息的在线更新目标跟踪算法。该算法将整个目标跟踪任务主要划分为目标定位和分割跟踪两个子任务。首先,在目标定位任务中使用在线更新参数的机制对目标进行鲁棒定位以适应不断变化的复杂场景;其次,在分割跟踪任务中构建精确的目标掩膜信息分割子网络,保持鲁棒定位目标的同时精确得到目标的掩膜信息,以解决目标的快速形变和非刚性形变问题;最后,利用得到的目标掩膜信息生成包裹目标的旋转边界框。针对目标跟踪任务的多尺度问题和前景-背景判别问题,提出了一种基于自适应特征融合和混合域注意力机制的目标跟踪算法。首先,针对目标的多尺度问题,在骨干特征提取网络加入了自适应特征融合模块,用于更好地融合不同层级的主干特征,使提取的特征具有多尺度特性;其次,提出了混合域自注意力模块,采用非局部均值的思想在通道和空间分别进行自注意力操作,增强了特征的判别性,改善了跟踪器的跟踪漂移问题。将所提模型在GOT-10K数据集进行验证,实验结果表明所提模型显著提升了跟踪器的性能,平均重叠率指标AO达到了0.654,相对于最先进的跟踪器Pr DIMP（CVPR2020）提升了1.8个百分点,表明了本算法较高的有效性。