作为图像处理、模式识别、计算机视觉等众多学科交叉的研究热点,目标跟踪受到国内外专家学者的持续关注。目标跟踪被广泛应用于视频监控、军事侦察、无人驾驶、智能交通、机器人等领域,具有重要的理论研究意义和实际应用价值。目标跟踪旨在针对图像序列或视频流中感兴趣的区域或物体,根据初始帧中给定的位置和尺度信息,在后续帧中对目标进行预测并标记,最终得到目标的运动轨迹、具体形态和位置信息。尽管人们不断拓展了目标跟踪技术的应用领域,然而在实际应用场景中,由于目标对象的不确定性和背景环境的复杂性,目标跟踪面临巨大的挑战。因此,设计一种快速、准确、鲁棒的目标跟踪算法面临巨大的挑战。随着人工智能的发展,深度学习也被广泛应用于目标跟踪领域。相比于传统方法,基于深度学习的目标跟踪的算法无论在速度还是准确率上都有着很大的提升。近年来孪生网络目标跟踪方法实现了跟踪的鲁棒性和实时性的均衡,取得了突破性的成果。本文提出了基于孪生网络的目标跟踪方法研究,输入为视频流信息,输出视频流中目标的位置信息。本文采用孪生网络的结构,通过网络分支将输入映射到新的空间并形成新的空间表示,然后通过损失函数的计算,实现对输入的相似度评价,从而计算视频流中帧与帧之间的关系。针对Siam RPN存在的问题,本文通过两种方法对其进行优化:(1)本文引入了注意力机制,通过空间注意力机制和通道注意力机制选择显著外观特征,提高网络对语义背景和目标前景的判别能力,使算法对背景相似干扰具有较好的鲁棒性。(2)本文通过多层特征融合的方式,提取包含目标对象的空间信息的低层和中层特征和反映目标的语义信息的高层特征,并设计了多个无锚候选区域生成网络,使得网络不仅能够、更准确地预测目标的具体位置,还能够更好地适应其外观的多尺度变化。最后,通过在OTB2015数据集上进行实验验证了本文算法的有效性。与其他几种算法的实验对比结果表明,本文改进算法的准确度更高,鲁棒性更好。该论文有图23幅,表6个,参考文献56篇。