视觉目标跟踪是计算机视觉领域一个重要研究方向,在自动驾驶、视频监控、人机交互、医疗诊断等众多领域有着广泛的应用。经过多年发展,视觉目标跟踪技术取得了巨大进展。然而受目标外观和光照变化、背景干扰、遮挡等因素影响,实时有效的视觉目标跟踪仍然面临很大的挑战。随着深度学习的崛起,基于神经网络的视觉目标跟踪已成为主流研究方向,其中基于双胞胎（Siamese）网络模型的方法在目标跟踪领域表现出了优异的性能。这一类方法将跟踪问题转化为验证问题,通过训练权重共享的神经网络,构建目标模板,逐帧输出搜索区域与目标模板的相似度置信图,将置信度最高的区域标定为目标位置。基于Siamese网络的跟踪方法在跟踪精度和实时性方面均取得了较优异的性能。近年来,围绕Siamese跟踪架构的模型改进工作已成为领域热点;本文围绕基于Siamese网络的视觉目标跟踪开展研究,主要内容如下:（1）针对现有Siamese网络仅依赖单一帧特征建模、以及卷积池化操作丢失结构信息等问题,将注意力机制引入Siamese框架,通过设计时空域注意力模块,有效融合目标不同时刻的外观信息,达到突出有用特征重要性、抑制冗余及干扰信息的作用。该模型具有以下优点:（i）空域注意力机制克服了卷积神经网络感受野受限以及池化操作丢失结构细节的问题,充分利用了目标空域各特征点之间的结构依赖关系,有效缓解复杂场景中因目标外观形、遮挡等导致的跟踪性能下降;（ii）时域注意力机制构建目标各历史帧之间的依赖性,丰富外观特征的多样性,有效提升表达学习的鲁棒性。实验结果表明,改进的方法对跟踪的精度有进一步的提升。（2）在存在相似目标干扰的场景中,基于视觉一致性的注意力机制模型易导致跟踪漂移。本文研究了一种融合外观及运动特征的Siamese网络单目标跟踪方法,提出了一种基于光流运动估计的外观对齐模型,将运动信息引入Siamese网络。实验结果表明,通过融合光流模型与时空域注意力机制外观模型,实现了运动信息与视觉特征的互补,缓解了相似目标干扰问题,较显著地改善了跟踪性能。