随着计算机算力的提升以及大规模数据集的应用,视觉目标跟踪算法在智能安防,流量监控,消防救灾和军事侦查等领域得到了广泛使用,特别是以孪生网络为基础的短期目标跟踪算法在精度,速度方面都取得了不错的效果,但是这类算法没有完善的模板更新机制,其使用的离线学习训练方式并未充分利用背景数据信息,在面对更接近实际场景的长期跟踪基准时跟踪精度和鲁棒性不足。因此,如何构建一种可以应对复杂场景中目标形变,频繁丢失与重现,相似语义物体干扰等问题的高性能长期目标跟踪算法是本课题研究的重点。综上所述,本文将以深度学习为基础进行长期目标跟踪算法的研究。主要工作如下:（1）基于在线学习的长期目标跟踪算法（Long-term object tracking algorithm based on online learning）研究。针对大多数基于孪生网络的目标跟踪算法使用离线训练,没有模板更新机制,在长期应用场景中不能有效应对遮挡,形变,目标消失与重现等问题,在孪生区域建议网络Siam RPN跟踪框架的基础上展开研究。首先,对特征提取网络进行改进,将表征能力更强的深度残差网络Res Net作为主干网络,并提出了一种更精准的目标框回归策略。其次,构建了一个在线分类网络,对原始基于离线学习的分类分支进行改进,使模型可以自适应目标数据的变化,提升算法鲁棒性,同时,设计了一个由长短期记忆力网络LSTM和目标置信度相结合的模板更新模块,在保证数据更新的同时,避免了由于更新错误而污染样本池这种情况的发生,进一步提升了算法跟踪精度。最后,在UAV20L数据集上对算法进行了评估,实验结果表明,我们提出的算法跟踪准确率为0.875,成功率为0.675,具有较高的跟踪性能。（2）在线跟踪算法的一种轻量级实现方法（A Lightweight Implementation Method of Online Tracking Algorithm）研究。针对深层神经网络过参数化以及算法在嵌入式设备上部署时实时性低的问题,本文提出了一种轻量级实现方法。针对基于在线学习的长期跟踪算法在存在相似目标干扰时容易产生漂移现象的问题,在轻量级实现方法的基础上使用yolov5检测算法和deep Sort跟踪算法探索了一种基于运动轨迹的跟踪框架。首先,针对嵌入式部署进行模型压缩,利用通道剪枝技术,对算法的检测端过参数化的深层神经网络进行通道裁剪。其次,利用分组卷积和通道混洗技术对跟踪端设计了一种适用于CPU的低运算量深度特征提取网络,同时,针对目标检测后处理过程中只利用非极大值抑制算法处理目标框有损检测精度的问题,提出了NCW算法和几何修正算法,对生成的预测框进行加权融合与几何修正,使模型推理可以自适应调整目标框的几何属性,提高算法检测精度。最后,在Vis Drone数据集上进行实验,评估方法的有效性。实验结果表明,本章提出的轻量级实现方法使在线跟踪算法的参数量减少了74%,模型大小缩减了72.2%,浮点数运算（FLOP）降低了37.6%。