视频目标跟踪技术被广泛应用于视频监控、人机交互、智慧医疗等众多领域,随着人工智能技术的发展,众多优秀的视频目标跟踪算法相继被提出。但是,由于视频环境复杂,存在光照变化、目标被遮挡、目标尺度变化等众多因素的影响,限制了视频目标跟踪技术的发展。近年来,基于深度学习的跟踪算法,通过训练大量数据提取表达能力强的目标特征,使得算法具有高精度、强鲁棒的优点。但由于神经网络结构庞大,导致算法的计算量大,影响了算法的跟踪速度。与此同时,基于相关滤波的跟踪算法速度快,能减弱神经网络对算法速度的影响,但目标特征表达能力不强导致算法无法应对复杂场景。针对上述问题,本文将卷积神经网络和相关滤波算法相结合,旨在改进目标跟踪算法的精度和速度问题,主要工作如下:（1）针对卷积神经网络发生混叠导致跟踪算法的精度不足问题,提出改进VGG-16的抗混叠视频目标跟踪算法。首先,在卷积神经网络VGG-16的下采样前插入自适应低通滤波器作为抗混叠模块,用于预测空间信息和通道特征内容,得到预测滤波器权重。然后,使用softpool进行下采样,保留更多特征信息,从而提高模型的精确度;同时采用Image Net数据集训练改进的VGG-16网络,提取跟踪目标的特征。最后,结合改进的VGG-16与核相关滤波跟踪算法,利用深度卷积特征对目标进行跟踪。实验结果表明,相较于其他跟踪算法,本文改进的算法有效提高了跟踪精度。（2）针对卷积神经网络因计算量大影响目标跟踪算法的速度问题,提出了基于神经网路VGG-16的通道剪枝视频目标跟踪算法。首先,通过在抗混叠VGG-16网络中加入通道注意力机制来增强重要通道的尺度值,并根据剪枝率剪去尺度值较小的通道。然后,改进激活函数Re LU,使其输出空间有限,能更好的调整改进的VGG-16网络各模块间的关系。最后,结合剪枝神经网络VGG-16和核相关滤波算法对目标进行跟踪。实验结果表明,基于剪枝VGG-16的视频目标跟踪算法在保证精度的情况下能提高跟踪速度。