计算机视觉是通过计算机和拍摄设备代替人眼和大脑对目标进行识别、检测和跟踪等工作,并对于获得的图像信息进行分析与处理的科学。目标跟踪技术作为计算机视觉重要的基础研究之一,在机器人控制、无人自动驾驶和智能监控领域有着广泛的应用前景。本文研究的单目标跟踪算法,是根据第一帧确定跟踪目标的位置轮廓,后续帧通过跟踪器预测目标的位置信息,进而完成跟踪任务。近年来,随着机器学习和深度学习的发展,基于孪生网络的视觉跟踪算法逐渐流行,这类算法在跟踪的成功率和精度方面具有一定的优势,但在目标出现大尺度形态变化和物体遮挡等复杂场景中,还存在丢失目标位置信息、跟踪成功率和精确度不高等问题。为了改进现有孪生网络跟踪算法的不足,本文提出了一种基于注意力和无锚点的孪生网络视觉跟踪算法。使用更深层次的卷积神经网络作为特征提取主干网络,同时融合多层的特征提取网络,获得更丰富的语义信息,以表达多尺度的特征;引入基于注意力机制的变换网络方法,获取全局视野的感知能力,用于搜索区域和模板区域特征的融合和匹配;使用基于无锚点的分类回归算法,完成对于目标中心位置和边界框的精确预测。为验证该算法的有效性,在多个目标跟踪测试数据集上与主流基于孪生网络的跟踪算法进行了比较。在OTB100数据集中,成功率达到了69.3%,精度上达到了91.1%。在UAV123数据集中,成功率达到了62.3%,精度上达到了80.9%,相较同样采用了变换网络的Hi FT,提高了3.4%的成功率,提高了2.2%的跟踪精度,相较同样采用了无锚点回归方式的Siam CAR,提高了0.9%的成功率,提高了4.9%的跟踪精度。同时在VOT2019测试中,在当前实验环境下,跟踪速度达到了50.2帧/秒,满足实时跟踪的要求。通过在多个目标跟踪数据集上与主流的孪生网络视觉跟踪算法进行比较,本文算法在准确性和鲁棒性上具备一定优势,在物体遮挡、目标大尺度形态变化和相似目标干扰等复杂场景中有较好的表现。