目标跟踪技术作为计算机视觉领域的研究热点之一,在视频监控,智能驾驶以及人机交互等领域有着广泛的应用。尽管国内外专家学者提出了各种各样的算法,但由于目标跟踪技术应用场景的复杂多变,面临着光照变化,物体遮挡等挑战,跟踪效果不尽如人意,因此高效的目标跟踪技术仍然亟待深入研究。本文基于对抗迁移学习以及孪生网络,从样本增强,特征的选择等方面,对现有目标跟踪方法进行改进,主要开展的工作如下:(1)本文提出了一种基于对抗迁移学习的目标跟踪算法。针对目标跟踪领域训练样本不足问题,引入迁移学习方法,将源域的目标特征迁移到目标域,使得算法能够学习到目标跟踪通用的特征。利用生成对抗网络,增强数据样本,解决算法在线训练过程中正样本高度重叠,难以捕捉目标大规模形变的问题。算法在OTB2013数据集和OTB2015数据集上进行了验证,从实验结果可以看出,本文所提出的目标跟踪算法与现有的一些先进的目标跟踪算法相比具有更好的性能。(2)本文提出了一种基于时空注意力机制的目标跟踪算法。针对Siam FC网络基于模板匹配策略,导致特征判别能力不足的问题,引入通道注意力机制和空间注意力机制,使算法更多的关注通道位置和空间位置上对目标跟踪有利的特征。加入在线更新机制,将第一帧图像特征与后续跟踪图像帧中置信度较高的图像特征进行融合,降低算法在目标遇到遮挡,形变等挑战时跟踪失败的概率。在OTB2013数据集和OTB2015数据集上的实验结果表明,本文提出的算法具有更高的精度。