随着人工智能时代的到来,目标跟踪技术在人机交互、智能监控和自动驾驶等领域得到了迅速的发展。基于深度学习的目标跟踪算法虽然在跟踪领域取得了不俗的成绩,但是目标遮挡、快速移动、尺度变化和目标形变等仍是当前亟待解决的主要问题。本文将当前目标跟踪领域中最为流行的孪生网络作为基础网络结构,提出了基于残差注意力机制和融合时空上下文信息的目标跟踪算法。针对现在的GOTURN(Generic Object Tracking Using Regression Networks)跟踪算法跟踪精度低,鲁棒性差的问题,提出了融合时间和空间信息的目标跟踪算法。该算法将目标模板、预测区域和搜索区域同时传到网络里面提取通用特征图并通过全连接层来预测当前帧中跟踪目标的位置。同时还在目标模板网络结构的基础上增加了残差注意力机制网络结构来增强网络的特征表达能力,提升算法的整体性能。本文针对Siamfc(Fully-Convolutional Siamese Networks)网络提取图像特征不充分的问题,提出了一种基于多尺度膨胀卷积的目标跟踪算法。在Siamfc全卷积孪生网络结构的基础上增加了两个多尺度膨胀卷积网络结构块。通过不同大小的卷积核和不同膨胀系数的膨胀卷积层来得到不同尺度和不同感受野的特征图,然后将这些不同尺度的特征图融合在一起来增强网络的特征表达能力。该方法有效地提升了原Siamfc跟踪算法的整体性能。通过在当前主流的目标跟踪测试数据集上进行的大量实验表明,我们所提出的两种跟踪算法明显地提升了原跟踪算法的整体性能。不仅在目标遮挡和多尺度问题上有所提高,在其他复杂场景下跟踪性能也明显提升。