目标跟踪是计算机视觉领域一个重要的研究方向,现如今其应用已经深入到人们生活中的方方面面。随着深度学习的发展,神经网络也逐渐被引入目标跟踪领域并取得了良好的效果。在实际的应用中,算法需要被部署到性能有限的嵌入式处理器上。因此如何优化跟踪算法,平衡其实时性和准确性,并将其移植到嵌入式平台实现具有重要的意义。本文以ECO跟踪算法为基础,做了一系列改进增加其跟踪的准确性。在深度特征的提取方面,对使用的神经网络进行了优化,减少了运算耗时,最终将算法部署到TI AM5749平台和NVIDIA Jetson TX2平台上实现。在ECO算法基础上,针对算法应对形变能力不强,抗遮挡能力有限,尺度变化自适应能力不足的问题进行了改进。本文首先改进了算法样本空间的更新策略,根据新样本与老样本间的相似性对各样本的权重进行重分配,使得算法能更好地跟上目标的变化。同时本文利用响应图中第二主峰与主峰的比值与新老样本间相似性的大小两个指标来判断目标是否处于被遮挡情况,在目标被遮挡时停止模型的更新,以防止模型受到污染产生漂移现象。最后对ECO算法使用的固定尺度池进行调整,通过对之前数帧目标的尺度变化情况进行统计,用于预测接下来目标的尺度变化,并以此为基础创建新的尺度池用于跟踪。在经过一系列改进后,算法的准确性得到了提高,尤其是面对形变、遮挡、尺度变化情况时。针对深度特征的提取,本文以VGG-16网络为基础,增加了BN层用于加速训练时网络的收敛速度。为了使得算法在现实场景的使用中能取得更好的效果,使用了数据增强和域适应的方法,解决目标跟踪训练时样本不足的问题,提高了算法在现实场景中的精度。考虑到深度特征提取耗时过长的问题,删除了VGG-16网络中参数过多的全连接层,减少了计算的耗时。在实现部分,针对AM5749平台,本文使用Caffe-jacinto框架进行了稀疏化训练,使得网络权重参数得到了70%以上的减少,同时利用TIDL将网络推理计算分摊到各个核上加快运算速度。针对TX2平台,利用Tensor RT框架对得到的模型进行解构并转化,以减少计算量。最后使用两个现实场景,驾校的车载摄像头捕获的视频和马路边摄像头捕捉的视频进行测试,取得了良好效果。