视觉目标跟踪技术作为计算机视觉研究的重点方向之一,在视频监控、智能驾驶和人机交互等众多领域都具有广阔的应用前景。随着近些年来跟踪领域的飞速发展,目标跟踪算法的精度越来越高,实用性越来越强。然而,由于实际环境复杂多变,在实际应用中实现精确、鲁棒的跟踪依然是一个很大的挑战。鉴于此,本文对基于相关滤波和孪生网络（Siamese网络）的目标跟踪算法进行了深入研究,主要内容如下:（1）研究了目标跟踪的基本流程,阐述了常用目标跟踪算法的基本原理,包括经典目标跟踪算法和现今主流的基于相关滤波以及基于Siamese网络的目标跟踪算法。此外,还介绍了本文使用的跟踪算法评价测试集（OTB数据集和VOT数据集）及对应的评价指标。（2）设计了基于相关滤波和Siamese网络的目标跟踪算法。在目前主流的跟踪算法中,基于相关滤波的算法容易发生模型漂移,而基于Siamese网络的算法无法在线学习。为此,本文设计了基于相关滤波和Siamese网络的目标跟踪算法,利用提出的基于平均峰值相关能量（Average Peak-to-Correlation Energy,APCE）的自适应融合策略,实现了相关滤波与Siamese网络算法的结合,提高了跟踪性能。为全面评估提出算法的实际效果,本文使用OTB数据集进行了验证。本文算法在保证实时性的前提下,同时兼顾了跟踪的鲁棒性与精确性,优于进行比较的其它算法。（3）提出了基于空间通道可靠性的Siam Mask改进算法。Siam Mask是一种基于Siamese网络的跟踪算法,实现了同时对目标位置、目标包围框和目标掩膜的预测,但其同样有着无法在线学习的不足。因此本文提出了基于空间通道可靠性的Siam Mask改进算法,通过设计使用浅层深度特征的基于空间通道可靠性的相关滤波模块,并采用基于掩膜可靠性的模型更新策略应对目标外观变化。随后利用基于平均峰值相关能量的响应得分图融合策略将其引入Siam Mask中,增强了算法的鲁棒性,实现了算法整体性能的提升。在VOT数据集上的测试结果表明,本文提出的改进算法在期望平均重叠率（Expect Average Overlap Rate,EAO）等指标上要优于参与比较的其它算法。