视觉目标跟踪是计算机视觉的基础研究问题之一,被广泛应用于智能交通、自动驾驶和安防监控等领域,具有巨大的社会和经济价值。深度学习在计算机视觉领域的成功极大推动了目标跟踪技术的发展,其中基于孪生网络的目标跟踪算法将跟踪任务转化为图像间的相似性匹配过程,兼具实时性和准确性而备受关注。由于遮挡、干扰物和视角变换会导致目标外观特征不稳定,而孪生网络跟踪方法仅根据初始帧目标来匹配后续图像,难以有效区分干扰物和目标的外观特征变化,在复杂场景或长时跟踪过程中表现不佳,因此研究目标跟踪重定位算法意义重大。本文针对目标跟踪过程中遮挡、相似干扰造成的特征混淆问题,引入反馈控制理论,以孪生网络目标跟踪算法为研究对象,构建跟踪-判决-校正的目标重定位框架,提出了基于直方图匹配滤波的跟踪判决模型,分别设计了基于结构相似度和对比学习的校正模型,探索了基于反馈理论的目标重定位跟踪方法,有效提高了单目标跟踪的抗干扰和长时跟踪能力。本文的具体工作内容总结如下:（1）针对跟踪过程中的目标丢失难题,首先分析了跟踪失效的种类和原因,通过统计跟踪窗内候选目标中心距离的直方图,发现了跟踪失效前后的直方图U型现象,提出了带阻滤波器-转移判决（Band Rejection Filter and Transfer Arbiter,BRT）模型,可有效检测目标丢失现象;其次提出了基于结构相似度（Structural SIMilarity,SSIM）的跟踪校正模型,利用最小相似度原则构建目标模板集,根据KM算法和最大结构相似度准则遴选正确对象实现跟踪校正。仿真实验表明,所提方法能够及时发现跟踪失效并准确校正,提高了算法的跟踪性能。（2）针对目标跟踪的小样本任务特性,引入自监督学习理论,基于Sim CLR网络提出了一种基于动态对比学习的跟踪校正模型。首先根据BRT模型的判决结果设计了两种样本生成模式,其次提出了基于中心一致性的数据增强方法,克服了随机裁剪导致的正负样本相似问题;最后,针对结构相似度对几何形变敏感的问题,设计了基于语义SSIM（Semantics SSIM,Se-SSIM）的损失函数,引导Sim CLR网络在线学习目标和干扰物语义特征之间的结构差异,提升校正器的区分能力。实验结果表明,本模型可以有效辨别外观极为接近的干扰物,进一步提升了孪生跟踪算法的跟踪性能。