随着人工智能的快速发展,计算机视觉越来越广泛地被应用于各个领域和人们的日常生活中。在深度学习方面,基于卷积神经网络的算法在图像及视频处理,例如目标分类、定位、识别与跟踪、语义、实例分割、视频显著性及长短视频分类等任务中不断涌现。目标跟踪技术作为其中的一个重要方向,在自动驾驶、人机交互、行人检测和武器精确打击等不同应用领域都有着举足轻重的地位和作用。近年来,基于深层孪生卷积神经网络的目标跟踪算法以其简单的网络结构、高效的跟踪性能和速度精度的良好平衡在门类众多的跟踪算法中脱颖而出,但其仍然普遍缺乏合理有效的目标模板更新策略。因此,本文在所述算法的基础上,提出了几种目标模板在线更新的方案:1、基于光流映射的目标模板更新算法。本文首先从目标运动变化入手,通过目标模板间的光流提取和映射,计算目标的运动变化信息,并以此指导目标模板的在线更新。然后,为解决光流映射和运动变化信息存在的误差问题,本文提出一种基于奇异值分解的修正项,通过提升初始化目标模板所占权重,抑制出现误差时模型的漂移。最后,为进一步富集目标形态变化信息,减少仅使用前一帧信息带来的位置偏见,本文还提出了多个目标运动信息指导的模板更新算法,将跟踪过程中的历史帧信息加以运用,并有效融合,实现目标相关运动信息的富集,同时在一定程度上缓解目标跟丢后运动信息的不准确问题。实验结果表明,本文提出的两种改进算法优于基础网络框架和一些主流的跟踪算法,验证了目标模板更新对跟踪算法的积极作用。2、基于掩模分割的目标模板更新算法。该算法从跟踪问题可以转化为前景背景的二分类问题入手,提供了一种突出前景表示实现网络对目标注意力提升的有效方案。在算法初始化阶段,通过掩模分割模块,生成目标相关前景,提升网络对待跟踪目标的注意力,同时在跟踪过程中对后续帧进行相同操作,在新模板上富集目标当前运动状态信息,有效提升网络对目标的正确定位和识别能力。实验结果表明,本文提出的改进算法能够有效提升跟踪算法在应对目标形变、目标快速运动、出视野等问题时的适应能力,能够增强目标模板的时效性,保证跟踪算法的准确性和稳定性。