在计算机视觉领域中,目标跟踪是一项被广泛应用的基本任务,这些应用包括视频监控、人机交互、军事攻击等等。近年来,在不同的场景需求下,设计开发出了许多目标跟踪的方法,并且在不同的大型数据集上经过了测试。尽管如此,由于实际应用中存在的复杂性和多变性,该任务仍然是计算机视觉领域中的一个挑战,有许多尚未解决的问题。视频目标跟踪有多个分支,本文主要研究单目标跟踪问题。单目标跟踪可分为特征提取和目标识别两个步骤,其中目标识别包括了目标的定位和状态估计。本文在目前跟踪算法的两大主流框架的基础上,采用非下采样轮廓波变换和显著注意力机制来增强特征表达,从而在目标识别的不同子任务中提供更好地判别依据。本文的贡献主要是以下几个方面:1.针对跟踪目标的外观会在经过很多连续帧后发生改变,包括视角的变化、照明变化、旋转等问题,提出了一种基于深度轮廓波网络的目标跟踪算法。采用非下采样轮廓波变换结构提取多尺度、多方向的图像信息,采用加权融合的方式有效地增强了目标的特征表达。在此基础上,设计了一种深度轮廓波网络,可以具有提取特征的通用性。将提取后的特征经过相关滤波器得到位置响应,经实验表明,相比于其他相关滤波算法,本文的方法不仅能更好地应对目标的运动变化,在背景干扰下的定位也更为准确。相较于基线算法而言,在OTB2013数据集的成功率上提升了1.2%,在VOT2018数据集的期望平均重叠率上提升了0.8%。2.针对上述方法用多尺度搜索策略得到的包围框不够准确的问题,提出了一种基于显著注意力与孪生网络的目标跟踪算法,通过在大规模数据集上训练的深度结构来提取候选感兴趣区域的特征。本文采用一种优化空间注意力计算量的十字交叉注意力方法,通过对互相关操作加权提升判别力,并且利用基于压缩激励的注意力机制对相关后的特征图增加通道维度的关注,有利于精细化分割。经实验表明,相比于其他孪生网络算法,本文的方法可以更精确地估计目标状态,并且有更直观的视觉效果。相较于基线算法,本章算法在OTB2015数据集的成功率上提升了1.9%,在VOT2018数据集的期望平均重叠率上提升了1.66%。3.提出了一种基于深度轮廓波网络和显著注意力的目标跟踪算法,结合以上两点改进以及分析孪生网络存在的问题,采用一种可以适应目标外观变化进行模板更新的网络结构。该网络结构具有两个分支,主干网络采用深度轮廓波网络提取特征,分别利用残差注意力进行分类特征的增强,及最大化交并比预测网络进行状态估计。经过在OTB2013、OTB2015和VOT2018数据集上的实验,验证了本文的方法的准确性和稳定性。在OTB2013上的成功率达到了0.674,在OTB2015上的成功率达到了0.669,在VOT2018的期望平均重叠率上达到了0.3863。