目标跟踪技术是计算机视觉的一个关键技术,在军事、民用领域上都有着广泛的应用。相比于其他计算视觉技术,目标跟踪技术可利用的目标信息只有跟踪序列初始帧所提供的跟踪目标框。在跟踪过程中,目标还会经历形变、运动、模糊等复杂外观变化,背景也会出现光照变化、背景杂波、疑似目标等复杂干扰。这些难点要求跟踪算法能够在第一帧的有限样本中有效学习强分辨能力的跟踪模型。同时,跟踪模型还需要在线自适应目标的外观变化,准确实时地输出跟踪结果。针对以上的关键技术问题,本文基于孪生网络和相关度量模型技术,开展的主要研究工作如下:首先,为了提高算法在线自适应目标外观变化的能力,论文提出了一种基于孪生网络的多模型级联融合跟踪算法。传统的孪生网络跟踪算法采用固定模型进行目标跟踪,在跟踪目标发生复杂外观形变时,该算法无法适应目标变化。为解决这些问题,论文提出利用不同的模型衰减率和更新率,生成三个目标模型:固定模型、次稳定模型和自适应模型,并采用级联结构进行高效自适应融合跟踪;另外,论文还提出了一种基于目标子区光流信息的模型更新方法,解决了模型更新的可靠性问题。实验表明,该算法显著地提高了跟踪性能。基于多模型融合的跟踪策略引入了多个目标模型相关跟踪的计算量,降低了算法的运行速度。为进一步提高自适应目标跟踪的计算效率,论文研究了一种基于时域门控孪生网络的跟踪算法。该算法设计一个时域上下文门控网络层,根据历史跟踪结果快速自适应地选择有效的时域目标特征,从而实现在线自适应目标跟踪。大量实验表明,该算法显著地提高了自适应目标跟踪的精度,同时取得快速实时的跟踪速度。为了能够在第一帧的有限样本中有效学习强分辨能力的跟踪模型,论文提出了一个基于深度归一化相关度量网络的目标跟踪算法。现有孪生网络跟踪算法的学习参数过多,不利于跟踪初始化,且采用互相关度量模型计算候选目标的相关距离,难以应对复杂背景干扰。为解决这些问题,论文研究了仅有少量可学习参数的生成式特征提取网络,同时,将归一化相关设计为一个相关度量的网络层进行跟踪处理。该层的参数为目标模型,可以通过反向梯度传导在线优化,增强目标模型的分辨能力。大量的实验结果验证了该算法的有效性,在不同的应用场景中获得了极具竞争力的通用目标跟踪性能。为了进一步提高跟踪模型的分辨能力和跟踪速度,论文还提出了一个基于前景检测与层次相关度量网络的目标跟踪算法。该算法具有两个分支,层次相关分支和前景检测分支,它们共享一个具有辨别性特征表达的主干网络。层次相关分支可以在线学习每层特征通道上的目标模型,充分利用多维卷积特征的表征特性进行层次相关。另外,采用深度可分离卷积层的实现方式,大大加快了层次相关跟踪的计算速度。融合层次相关跟踪和前景检测的结果进行目标定位,提升了算法在复杂背景下的跟踪准确性。大量的实验结果表明了该算法能够有效应对复杂场景和目标形变干扰,在精度和速度上都取得了优异的自适应通用目标跟踪性能。