如今,作为智能监控的关键技术,视频跟踪受到了越来越多的学者和企业的关注。视频跟踪是计算机视觉领域的核心课题之一,融合了图像处理、模式识别、计算机控制以及人工智能等领域中的先进技术和核心思想。其在视频序列初始帧时自动或手动标记目标,获取相关信息,在后续帧中对运动目标进行实时和精确的跟踪。然而,现实场景的复杂,如遮挡、形变、光照变化等给视频跟踪技术带来了很大的困难和挑战。经过多年的发展,学者们提出了许多有效的视频跟踪算法,在一定程度上解决了复杂场景的问题。但传统的视频跟踪算法是基于人工提取的特征,大部分只针对特定的目标和场景,泛化能力差,鲁棒性不强,无法满足智能监控的要求。而深度学习的引入大大促进了视频跟踪技术的发展。本文在研究主流视频跟踪技术和深度学习原理及其应用的基础上,分析了各算法在不同场景下的表现效果,针对基于深度学习的视频跟踪技术进行了深入的研究,比较了目前该领域各算法的优缺点,并结合主流的视频跟踪框架,提出了一种基于深度卷积神经网络的视频跟踪方法。首先,基于深度学习框架caffe,利用数万张通用数据集对网络进行离线预训练,得到深度网络模型。接着,通过在线的方式训练目标与背景的分类器。之后,采用粒子滤波的方法对目标进行在线跟踪。本方法将深度学习模型和主流目标跟踪框架进行了深度的结合,充分利用深度模型强大的特征表达能力,在复杂场景如遮挡、形变、光照变化的视频序列中展现出了不错的跟踪性能,具有较好的鲁棒性和准确度。