视觉目标跟踪分为短时跟踪和长时跟踪。短时跟踪对应的视频时长约在几十秒左右,主要解决跟踪过程中的亮度变化、尺度变化、旋转、运动模糊等对被跟踪目标的干扰。与短时跟踪方法相对成熟稳定不同,长时跟踪中由于视频序列更长,存在的目标变化、遮挡和消失情况较多,常规的短时跟踪网络和算法性能急剧衰减,因此开展长时跟踪方法研究,对解决实际应用具有重要的研究意义。另外,以深度学习为基础的长时跟踪研究近几年刚起步,数据集和跟踪效果正处在发展完善阶段,在精度、鲁棒性方面仍然有许多不足,如何设计一个高精度且鲁棒的长时跟踪算法,是一个值得深入研究的问题。本文的主要工作如下:（1）针对长时跟踪任务要求跟踪算法具有抗遮挡的能力,本文采用了一种孪生网络和目标检测结构相结合的卷积神经网络框架（Global Track）作为基线网络,该基线可以实现对目标在当前帧存在或丢失状态的判别。（2）提出一种多阶RCNN级联的长时跟踪算法。多阶RCNN级联可以滤除背景干扰和简单相似目标干扰对跟踪算法的影响,提升跟踪算法的鲁棒性。并且多阶段的坐标精细化能更加精准的回归出被跟踪目标的位置,提高跟踪算法的精确度。（3）提出一种鲁棒的孪生网络。孪生网络利用两个相同配置的Res Net50作为特征提取网络,本文将ResNet50中的标准卷积替换为可变形卷积,可变形卷积在特征提取时增加额外偏移量的空间采样位置,自适应调整卷积的感受野,能够对复杂多变的目标进行有效的特征提取,提升跟踪算法的鲁棒性。（4）提出一种锚框引导的长时跟踪算法。孪生网络提取的模板帧信息作为引导信息,结合引导信息在可能出现目标的位置上放置锚框。每个位置上预测的锚框的形状并不相同,从而生成更加稀疏和高质量的候选框,提升了跟踪算法的精度。本文最终将所有的创新点融合在一个跟踪网络上,实验证明,在公开的长时跟踪数据集上,相比于其他现有的跟踪器,本文的跟踪网络具有更强的判别能力且能得到更准确的跟踪框,算法取得了很好的效果。