随着机器视觉的发展势头越来越迅猛,其中视频目标跟踪方向的应用也在生活中普及起来,对目标跟踪算法的要求也越来越高。与此同时,当下目标跟踪领域热门的算法大多是基于Siam FC孪生网络算法改进的。进一步研究发现,Siam FC孪生网络算法使用经典的Alex Net网络结构作为特征提取网络,存在目标特征信息提取不够丰富的问题。于是本文使用VGG和Res Net等深层神经网络进行特征提取以得到表达能力更强的特征信息。然而实验发现,使用了深层神经网络提取特征以后,算法的性能不仅没有上升,反而随着网络深度的增加展现出一定的下降趋势。同时在现实场景下,跟踪算法常常因为目标尺度变化,目标遮挡等情况导致跟踪失败。为此,本文基于孪生网络框架做了如下针对性的改进工作。（1）针对Siam FC算法网络特征表达不够丰富的问题,本文采用了一种更加深层的孪生神经网络算法DASiam,在增加特征提取网络深度的同时,保证算法性能随之提高,同时在模型训练时插入了ACB这种中性结构替换网络中部分卷积核,提高模型训练后的网络精度。实验得出,DASiam算法相比Siam FC算法成功率提高了11.4%,距离精度提高了11.1%。（2）本文针对现实场景中目标变化的情况,提出了改进算法MDASiam,其加入元学习网络,为跟踪网络提供更加适合的待跟踪的目标特征尺寸和候选区域的特征尺寸。让跟踪算法在目标尺寸变化时仍然保持一个较好的跟踪性能。实验得出,MDASiam算法相比DASiam算法成功率提高了1.4%,距离精度提高了1.3%。（3）本文针对现实场景中目标遮挡等情况,提出了AMDASiam算法,该算法加入抗遮挡机制,通过计算平均相关峰差比,检测目标是否被遮挡等跟踪效果。根据跟踪效果确定目标是否进行分块算法处理,然后判断目标最终位置,目标模板和候选区域的更新策略。进一步增强了算法应对遮挡等不同场景的鲁棒性,并且提高了算法的精度。实验得出,AMDASiam算法相比MDASiam算法成功率提高了3.6%,距离精度提高了3.2%。