随着深度学习技术和人工智能的不断发展,平面物体跟踪成为计算机视觉领域的研究热点,并在机器人视觉和人脸识别等方面有广泛的应用前景。近年来,卷积神经网络成为计算机视觉领域的核心技术之一,越来越多的学者将卷积神经网络应用于平面物体跟踪的研究中,现有的方法已经取得较好的研究成果,但仍存在跟踪的时间复杂度较高、跟踪不够精确等问题。为提高平面物体跟踪的速度和精度,本文主要做了以下的研究工作:（1）针对目标跟踪的速度有待提高的问题,给出基于稠密网络的单目标跟踪算法。首先,使用全卷积稠密网络做为主干网络进行特征提取,生成稠密特征图。接着,在生成的特征图上提出基于判别式模型的目标分类,对目标做一个粗略定位。然后,利用重叠最大化方法,在粗略定位处估计目标边界框,即可实现对目标的跟踪。最后,在4种基准数据集上设计跟踪精度和跟踪速度的对比实验,实验效果表明算法是有效的。（2）针对平面物体跟踪精度有待提高的问题,给出由粗到细的平面物体跟踪算法。首先,根据单目标跟踪算法利用重叠最大化估计目标边界框,实现对目标的粗略定位。其次,利用SIFT在图像上定位关键点,并在基于级联厚薄稠密网络生成的特征图上提取关键点对应的特征描述符,根据最近邻算法对特征描述符进行匹配,得到配对的关键点集合。然后,将粗略定位边界框作为先验框对匹配关键点进行由粗到细地筛选,保留先验框内的关键点,得到更为有效的关键点匹配集合。利用RANSAC算法对关键点估计出最佳的单应性矩阵参数。最后,通过单应性矩阵对真实值进行计算得到目标最终的预测框。本文在POT基准数据集上设计实验,验证了由粗到细的平面物体跟踪算法是有效的。