视觉目标跟踪技术是人工智能的重要研究方向,具有重要的研究价值和意义。目前基于孪生网络的方法在目标跟踪领域取得了巨大的成功,但是在面临复杂的跟踪场景时仍然出现跟踪失败的情况,如何构建一个高效且鲁棒的目标跟踪系统仍然是一个巨大的挑战。本文以深度孪生网络框架为理论基础,对加强网络分支输入、网络结构和分层特征融合并结合深度残差网络开展研究工作,具体的研究工作概况如下:(1)提出一种基于注意力机制的孪生网络跟踪算法,增强网络模型的判别能力,实现在线学习目标外观变化和背景抑制,得到鲁棒的跟踪结果。通过在模板分支和搜索分支中加入前一帧跟踪所得到的结果作为矫正单元,弥补网络在应对目标外观变化的不足,并通过在孪生网络中加入空间注意力模块和通道注意力模块实现不同帧之间的特征融合,从而在线学习目标形变和背景抑制,进一步提升模型的特征表达能力。(2)以ResNet 网络作为基础网络通过引入内部裁剪单元,对网络结构进行修改使其更加适合目标跟踪任务。深层特征含有丰富的语义信息,对目标显著的外观变化具有鲁棒性,所以引入特征金字塔融合孪生网络的上下层特征得到空间几何信息和语义信息丰富的特征图,对同一尺寸不同维度的特征表达结构,生成多维度特征表达,进而得到更鲁棒的跟踪结果。(3)在跟踪数据集上从跟踪精度和成功率方面与其他算法进行对比实验,并对遮挡干扰、形变干扰等不同影响因素下进行对比实验。实验结果表明本文提出的改进算法可以有效提高跟踪精度,同时也为解决目标跟踪算法中常出现的相似背景干扰、目标外观变化等问题提供了改进的参考。