对运动目标的跟踪是计算机视觉领域中的一个重要问题,应用领域广泛,尤其是在智慧城市、自动驾驶、智能监控、智能交通和安防等方面。近年来机器学习领域的发展,尤其是深度学习技术的发展,使得对目标跟踪的研究有了进一步的突破。本文在对传统特征提取方法和基于深度学习的特征提取方法进行对比分析的基础上,研究了深度学习方法在目标跟踪中的应用。针对目标跟踪问题中离线训练难、耗时大的问题,本文采用了一种无需预训练的轻量化卷积网络结构进行特征提取,并且提出了一种引入了仿射传播聚类算法的方法进行卷积核参数的在线学习。为了减小搜索空间,本文研究了粒子滤波在目标跟踪问题上的应用,基于粒子滤波框架进行目标跟踪。为了缓解在目标快速运动场景中的跟踪漂移问题,本文引入了一种阈值机制,对粒子的运动模型参数进行自适应调整,从而提高了目标跟踪算法在目标快速运动场景中的跟踪性能。结合改进后的卷积网络和引入阈值机制后的粒子滤波框架,本文实现了一个目标跟踪系统,对该系统在主流评测数据集中的50个具有挑战性的视频上进行了实验,并且与一些主流跟踪算法进行比较。结果表明本文算法成功率高、跟踪效果好,在快速运动、背景干扰、遮挡等复杂环境下表现出了良好的鲁棒性。