目标跟踪是实现智能化视频应用和智能决策的关键环节,对视频监控、智能交通、和人机交互中的运动捕获等应用都具有重要意义。但是在各类应用场景的长视频中,目标存在表观变化和反复遮挡,如何持久稳定地跟踪目标成为了亟待解决的问题。本文针对自然场景下长视频的目标稳定跟踪问题进行研究,主要的工作如下。（1）针对长视频中跟踪目标表观变化和遮挡后重捕获问题,设计了一种基于标注帧特征融合的目标跟踪方法。该方法采用基于检测的目标跟踪思路构建了目标跟踪网络,通过在两阶段检测网络中加入标注帧区域特征和搜索帧特征融合过程,实现对特定的标注目标的全局搜索和准确框定。在La SOT、GOT-10k、TLP和OTB100等数据集上的实验结果表明,该方法能准确判断目标是否存在于搜索帧中,并实现目标被遮挡后的迅速重捕获,提高了长视频目标跟踪精度。（2）针对所构建的目标跟踪网络中存在的目标特征判别性变弱的问题,设计了一种基于注意力机制的目标特征强化方法。该方法通过增加并行结构的注意力模块,使目标跟踪网络能够抑制特征图中目标周围的杂散响应,增强目标区域的特征表达。对比实验表明,该方法提升了目标网络模型的特征提取能力,提高了目标跟踪精度。（3）为了抑制长视频跟踪中出现的同语义干扰物,减少跟踪目标错误问题,在所构建目标跟踪网络的基础上设计了一种基于度量学习的目标跟踪方法。该方法记录每一帧网络输出中的部分高置信度结果,生成其中包含的目标和干扰物的轨迹特征,同时利用由度量学习得到的距离度量模型计算每个高置信度结果的稠密特征向量,进行轨迹合理性的评分,选出评分最高的结果作为跟踪结果,从而抑制同语义物体的干扰。在La SOT、TLP等数据集上的对比实验结果表明,该方法提高了长视频目标跟踪的稳定性。