视觉目标跟踪技术是计算机视觉和模式识别交叉领域的研究热点,其在军事和日常生活中应用广泛。尽管近年来国内外研究人员在目标跟踪领域研究取得了诸多成果,但由于视频受模糊、遮挡、旋转、光照变化等因素的影响,跟踪器很难长时间稳定地跟踪目标,因而目标跟踪仍然极富挑战性。在传统目标跟踪算法中,基于相关滤波框架的算法通过引入快速傅里叶变换大幅度地提高了跟踪算法的速度,但是跟踪算法的精度有待提高。随着海量视频数据的涌现以及计算设备算力的提高,深度学习技术得到长足的发展,并被广泛应用于目标跟踪算法中。其中,卷积神经网络以及残差网络模型的引入,进一步提升了目标跟踪算法的性能。本文通过优化特征提取的网络结构和改进模型训练损失函数两方面入手,对基于卷积神经网络的单目标跟踪算法进行改进。主要的贡献如下:(1)提出一种基于残差注意力机制和区域重叠率的目标跟踪算法。在传统特征提取网络的基础上,加入一种基于残差注意力机制的特定网络,生成目标区域显著性图,弱化背景突出前景,引导跟踪器关注对结果有帮助的部分。此外,在进行特征提取的网络结构中,通过级联的方式融合网络深层特征与浅层特征,进一步提升特征的判别力。在网络模型的训练后期阶段引入基于区域重叠率的损失函数,使得算法模型获得更好的定位效果。在VOT2016数据集上的实验结果表明,与原算法相比,改进后的算法精确度相对于基线算法提升了2.76%。(2)构建一种基于多级特征融合判别的孪生网络跟踪算法。一方面,在原有特征提取网络结构的基础上引入多级特征判别结构,综合不同层次的特征输出结果,使得网络输出精度更高。另一方面,在原有网络模型训练的基础上,引入平衡项损失,平衡训练样本中大量简单负样本的影响,提升网络模型跟踪效果。在OTB2015数据集上的实验结果表明,改进后的算法取得了78.4%的平均距离精度和73.6%的平均重合精度。