作为计算机视觉领域的一个重要分支,视频目标跟踪技术现已广泛应用于工业和生活的许多方面,例如智能监控设备,军事导弹跟踪,智能交通监测,无人机目标跟踪等。由于在现实的跟踪场景中存在众多困难挑战,例如形变、遮挡、光照变化、尺度变化等,使得开发出一个鲁棒性强的跟踪算法依然是一项困难且富有挑战的工作。现有的孪生网络跟踪器把目标跟踪定义为一个模板匹配任务。在每一帧中给出搜索区域,与初始化时固定好的目标模板进行匹配进而确定目标位置。但是正由于这样的定义模式,导致难以设计有效的动态模板更新方式。因此目前几乎所有的孪生跟踪器都使用初始帧为模板并且不进行模板的更新,无论目标发生怎样的变化,永远都使用初始模板,这样的方式难以应对频繁剧烈的外观变化。本论文针对目标跟踪中的模板更新问题展开研究,提出了新的轻量级模板更新器,能有效提升当前孪生框架跟踪器的性能。论文的主要工作及贡献如下:第一,本文提出一种新的模板更新模型来辅助孪生框架的跟踪器,弥补了该类算法不进行模板更新的缺点。针对基于深度学习的模板更新器训练数据无法得到的问题,本文采用二阶段训练方式,利用知识蒸馏方法的思想,首先使用手工定义的更新方式赋予跟踪器更新能力,再利用该跟踪器创造出新一轮的训练数据进行更新器的二次训练。其次,对于混合的模板特征,使用通道注意力模块在不同情况下对不同的特征赋予权重,帮助更新器更好地获取有用的特征信息。最后加入了遗忘模块,使得模型可以自动删除累积模板中的部分无用信息。第二,针对上述模型训练方法过于臃肿复杂且稳定性较低的问题,本文提出一种新型的训练方式大大简化了其复杂度。本文大胆尝试直接使用带随机位移的Ground-truth作为训练集的输入数据,首先对标签进行不同大小均匀分布的位移进行了测试,发现位移量在某个合适的区间时,可以使得Ground-truth产生一定程度的失真,进而模拟现实情况下更新器的输出结果,很大程度上减轻了模型对过于标准的累计模板的偏见。另外,本文提出了一种新的分组权重分配模块,能够对混合特征进行分组,更利于更新器挖掘各特征之间的关系,从而进一步提高更新器性能。对于以上两个改进的更新器,论文在目标跟踪领域权威的公开数据集OTB100,UAV123,Got-10K上进行了大量的实验,并与近年来主流的跟踪器进行对比,在准确度和鲁棒性两方面皆取得了极具竞争力的表现。