目标跟踪是计算机视觉领域研究的热点之一,在人机交互、军事侦察以及无人驾驶和安防监控等诸多方面均有着广泛的应用前景。近年来,跟踪算法的性能得到了广泛的提升,但在实际的跟踪环境下,仍然有许多挑战,比如目标会受到背景杂波、尺度变化以及遮挡等复杂情形的影响。本文以孪生网络跟踪框架为基础,分别在目标存在背景杂波、尺度变化和遮挡的条件下进行了深入的研究与探讨。本文主要工作内容及成果如下:(1)研究了一种基于分层注意力机制的孪生网络跟踪算法。首先通过两个分支训练模板图像和搜索图像,然后用卷积神经网络提取更为鲁棒的特征,这使目标在光照变化和背景干扰的条件下可以取得更好的跟踪结果。通过分析卷积神经网络不同层次的特征图发现低层特征细节信息更多,对目标的准确性更加鲁棒,高层特征语义信息更加丰富,对目标的分类更加鲁棒。为了得到更为鲁棒的目标跟踪结果,本文使用了不同层的特征进行融合,并且在提取特征的过程中,使用了注意力机制对特征图进行重标定,使用Ada Boost算法对目标特征图进行加权融合,提高了响应图的可靠性。本文还使用了Inception模块,一方面增加了网络的宽度以及孪生网络对尺度的适应性,另一方面还减少了参数,提高了网络训练的速度。(2)研究了一种基于相关滤波的孪生网络跟踪算法。先在模板分支上利用相关滤波器加快网络特征的提取,同时还引入了尺度估计模块,在检测出目标位置的时候,对目标进行多尺度的缩放。在对目标进行尺度缩放的过程中,本文使用了基于区域的快速HOG特征提取算法对提取过程进行了加速,使孪生网络能够快速的提取HOG特征,从而加快跟踪的速度。所提出的算法既充分利用了相关滤波器的实时性的优点,又能够将不同层的特征结合起来,还能让目标在尺度变化的情况下保持着比较好的鲁棒性。(3)研究了一种基于光流信息的孪生网络跟踪算法。首先是让当前帧和上一帧图像经过光流网络,利用光流信息预测目标的位置,因为光流法可以侦测图像中的目标运动信息,然后经过ROI池化层可以将目标的候选区域的特征转化为一个尺度固定的小特征映射,再通过裁剪形成搜索区域,与第一帧模板图像进行匹配,最终得到目标的预测位置和大小。所提出的算法既充分利用了光流网络可以提取目标的运动信息,提高目标的鲁棒性,又能够利用相关滤波器的实时性的优点,而且将不同层的特征结合起来,使得目标能够保持着比较好的鲁棒性以及实时性。本文对上述算法在OTB2015数据集上进行了实验验证,实验结果表明,基于分层注意力机制的孪生网络跟踪算法能有效的解决背景杂波所带来的影响,提升了跟踪的准确性。基于相关滤波的孪生网络跟踪算法采用了相关滤波层加快了跟踪的速度,算法中还加入了一个快速尺度估计模块,可以有效的提高目标在尺度变化的鲁棒性和实时性。基于光流信息的孪生网络跟踪算法可以解决目标在遮挡条件下的问题,通过使用光流网络提取目标的运动信息,使得目标在遮挡条件下可以保持比较高的准确度。