随着信息技术的发展,视频逐渐成为人们获取信息、传播信息的主要方式,而视觉目标跟踪作为视频自动化处理的重要研究内容,有着广泛的应用前景。基于孪生网络的视觉目标跟踪算法的提出,给视觉目标跟踪领域创立了一个可以兼顾跟踪精度与速度并且模型结构简洁清晰的范式。很多学者对孪生网络跟踪算法进行了研究与改进,孪生网络跟踪器的性能得以不断提升。但是面对视觉目标跟踪中复杂的场景与多样的挑战,孪生网络跟踪器的性能还有很大的提升空间。本文首先对孪生网络跟踪器用于度量模板特征与搜索区域特征相似度的重要组件——“模板匹配网络”进行研究与改进,将原有基于图注意力的模板匹配网络拓展为“多头图注意力模板匹配网络”,从而提升孪生网络跟踪器的整体性能。同时在对孪生网络跟踪器进行实验的过程中分析发现了其预/后处理算法存在不足,引入卡尔曼滤波器来改进传统孪生网络跟踪器的预/后处理算法,进而提升跟踪器的整体性能。主要完成工作如下:1、提出一种基于多头图注意力的相似度度量算法作为孪生网络跟踪器的模板匹配网络。已有基于图注意力的模板匹配网络在孪生网络跟踪器上取得了不错效果,同时多头自注意力机制在计算机视觉其他领域上也有着良好的表现,通过比对图注意力与自注意力之间的联系与区别,将多头自注意力中的多头结构与位置编码引入到图注意力中,提出基于多头图注意力的模板匹配网络。引入多头结构的目是将特征划分为几个独立子空间,用不同层面的特征分别进行相似度度量,从而增强模板匹配网络的相似度度量能力。引入位置编码的目的是给图注意力中空间维度被压缩的特征节点集合重新赋予二维空间信息。为了验证本算法的性能,将本算法在OTB100和VOT2019两个评测数据集上进行性能分析,并且与当下一些主流孪生网络跟踪算法对比。实验结果表明,基于多头图注意力的模板匹配网络使孪生网络跟踪器拥有不错的性能表现。相比使用卷积作为模板匹配网络的算法,在面对“视野消失”、“快速运动”以及“运动模糊”这类场景时,有着更好的表现。同时本文提出的跟踪器在准确度上相比主流跟踪算法也有所提升。2、提出一种基于卡尔曼滤波的孪生网络跟踪器通用预/后处理算法。由于孪生网络跟踪大多沿用同一套预/后处理算法,预处理算法以上一帧预测物体中心为中心来剪裁搜索区域,而后处理算法根据实际经验认为物体帧与帧之间位置大小不会有太多改变而惩罚物体预测包围盒的过大变化。这套算法处理策略较为简单,缺少对物体运动状态的判断,并且实验过程发现,面对不同场景的视频,其性能表现很大程度上依赖预/后处理中超参数的选择。使用卡尔曼滤波引入物体的运动信息,在图像预处理时,提前预测物体所在位置,以预测位置中心为中心进行搜索区域的剪裁,来避免由于物体运动过快移出搜索区域。同时在后处理时使用卡尔曼预测作为物体包围盒的最终结果,提升了孪生网络跟踪器整体性能的同时,减少了所需超参数的个数。最后在VOT2019评测数据集上进行测试,实验表明:将改进后的预/后处理算法运用在Siam RPN++,Siam BAN,以及本文提出的跟踪器上,与传统预/后处理算法相比,整体性能都得到了提升,证明了改进算法的有效性以及通用性。