目标跟踪是计算机视觉领域的一个重要研究课题,具有极强的应用价值,主要任务是在视频的第一帧中给出目标的初始位置,在视频的后续帧中对该目标进行定位跟踪。近年来,目标跟踪技术取得了极大的进展,在视频监控、人机交互、交通等领域得到了广泛应用。但是,由于现实场景的复杂性,在进行目标跟踪时往往会面临许多挑战,如光照变化、复杂背景、遮挡以及目标尺度变化等。如何设计一个在复杂条件下仍能满足实时性和精确性要求的跟踪算法,是我们需要解决的问题。当前,深度学习发展迅速,将深度神经网络应用于目标跟踪领域以提高跟踪性能为主要研究趋势。本文主要工作如下:(1)提出了一种融合多层深度特征的相关滤波跟踪算法。针对浅层特征对目标描述能力有限,在面临目标快速运动、复杂背景以及遮挡等情况时跟踪性能较差的问题,在相关滤波跟踪框架下,基于VGG-19卷积神经网络提取不同卷积层的深度特征,融合响应图实现目标跟踪。同时采用特征选择算法,减少特征维度,提高跟踪速度。在OTB2013数据集上的实验结果表明,目标跟踪的精确率达到88%,成功率达到87%。(2)提出了一种融合重检测机制的孪生神经网络目标跟踪算法。针对基于全卷积孪生神经网络的SiamFC算法在面临遮挡、相似物干扰及复杂背景等情况时跟踪失败的问题,在深度学习跟踪框架下,引入重检测机制,在跟踪过程中,通过设置阈值判断是否需要进行目标重检测。同时采用高置信度的模型更新策略,确保模型合理更新,保证跟踪速度。在OTB2013数据集上的实验结果表明,目标跟踪的精确率达到88.4%,成功率达到85.7%。