目标跟踪是计算机视觉领域的重要研究方向。因为目标跟踪技术在多个领域都具有举要重要应用价值,所以目标跟踪是目前计算机视觉研究的热点。本文通过近几年的目标跟踪方法进行分析研究,得出两个重点研究思路:第一、新的目标跟踪算法普遍将研究重点应该放在如何通过卷积神经网络提取目标的鲁棒性特征上,重点在于加强网络每层特征映射的利用。第二、新的目标跟踪算法可以将研究的目光放在在后续特征处理和目标位置选取上,重点在于提升对网络输出特征的利用。本文以多层卷积网络作为跟踪的特征提取器,以Siamese网络作为跟踪器的基础网络框架,提出了将高频特征和低频特征相互融合的目标跟踪方法。针对现在的多层卷积网络结构,使用残差网络块作为组成特征提取网络的基本结构,然后将目标特征和搜索区域特征的输入分为高频特征和低频特征在不同通道中分别进行处理,并且每层高低频特征输出结果进行信息交换。最终得到的目标特征信息更为丰富,获得了较好的跟踪性能。本文还提出了网格特征点融合的目标跟踪方法。以Siam RPN为基础,对特征提取后的网络部分进行修改。针对Siam RPN的偏移回归分支,通过引入网格点特征融合的方法,通过全卷积定位来优化回归分支的定位能力。最终得到的跟踪方法定位能力更强,获得了较好的性能提升。本文提出的方法在主流的跟踪数据集OTB和VOT上进行跟踪效果的测试。提出的两种跟踪算法在跟踪性能上得到了一定程度的提高。