目标跟踪旨在预测给定目标在每个视频帧中的位置,它在机器人视觉、视频监控、无人驾驶等领域都有广泛的应用。近年来,随着深度学习的大力发展,基于深度学习方法的目标跟踪算法精度有了很大的提升,但是在实际应用中仍具有很大的挑战,本文主要针对与目标跟踪中相似物的干扰和目标遮挡的挑战进行研究,以行人作为主要的研究目标,将光流算法与目标跟踪网络结合,对光流算法与目标跟踪模型进行改进,从而提高跟踪算法的鲁棒性,主要研究内容如下:本文对基于变分理论的光流算法进行研究与改进,根据变分理论,把光流问题转换成一个计算全局能量泛函最小化的问题,首先推导出变分问题的EulerLagrange方程,并给出了全局能量泛函转化成非线性偏微分方程的证明过程,把求解极小化能量泛函的问题看作是求解扩散方程的问题,接着介绍了基于变分理论的光流法相应的数据项与平滑项,引入了Weickert的非线性扩散方程求解光流的模型。本文结合深度学习计算光流的方法,利用RAFT光流模型作为非线性扩散方程的先验,从而得到本文的光流模型。在公开的光流数据集上进行的实验验证表明,本文模型得到的精度比原本的变分光流模型的精度更高。对于Siamese系列的目标跟踪算法进行研究,针对相关性操作的局限性,提出了基于Transformer自注意力机制的相关性操作来获取搜索区域与模板的全局相关性,对网络框架在空间特征提取上进行改进,从而提高模型的准确性。最后,将改进的光流法运用到Siamese目标跟踪网络中,形成一种新型的时空目标跟踪模型,该模型充分利用视频序列中的时空信息,通过引入光流回归模块,避免视频中网络对于相似物特征相似的干扰,从而更好的实现目标跟踪的任务。