目标跟踪是计算机视觉的一个重要研究领域,近些年来不断有各种优秀的跟踪算法涌现,跟踪领域的研究取得了丰硕的成果。但是大多数跟踪准确度高的算法,却在跟踪速度方面表现不佳,在应用场景中难以达到实时跟踪的要求。本文研究目标是实现跟踪算法准确度和速度的平衡,即在实时性跟踪的前提下使跟踪准确度达到先进水平。为了达到这个研究目标,本文深入地研究了基于孪生网络的目标跟踪算法,并在其基础上融入了相关滤波方法、加入了级联分类器实现重检测,成功结合了深度神经网络特征判别度高和相关滤波速度快两大优点,在保证实时跟踪的前提下大大提高了跟踪准确度。本文的主要工作以及创新点总结如下:(1)提出了基于孪生网络加相关滤波和重检测的通用场景目标跟踪算法。对基于全卷积孪生网络的目标跟踪算法进行改进,优化了孪生结构中上下支路子网络的结构,融入了相关滤波,加入了重检测模块,提出了基于孪生网络加相关滤波和重检测的跟踪算法,最后在通用目标评估基准OTB-2013(Online Tracking Benchmark2013)上进行了大量对比实验,并做了定量和定性分析。实验结果表明,该算法成功平衡了跟踪准确度和速度,在保证跟踪速度达到实时性的前提下,跟踪准确度也达到了先进水平。(2)将孪生网络应用到海面舰船目标跟踪场景。将基于孪生网络加相关滤波和重检测的通用场景目标跟踪算法应用到舰船跟踪场景,在模型离线训练过程中使用了大量人工标注的舰船视频序列,同时针对舰船适航特点,使用了海天线提取技术缩小了目标搜索区域,优化了重检测频率,最后针对目前尚无公开的舰船场景跟踪评价基准的情况,本文建立了 Ship Benchmark来进行算法的测试对比与分析,验证了孪生网络应用在舰船跟踪场景下的有效性。