单目标跟踪是计算机视觉的关键领域之一,该任务要求在给定第一帧目标信息情况下,在后续视频帧中标注出目标状态。判别性目标跟踪算法因其对目标背景信息的充分利用提高了模型判别性而受到跟踪领域研究人员的青睐,但该类算法仍存在对网络不同特征层信息利用不充分、目标回归不精确以及模型泛化能力不足等问题。为解决以上问题本文做了如下的工作:（1）针对跟踪网络未能充分利用网络不同特征层信息问题,本文基于判别性目标跟踪算法,采用多分支融合结构提高模型鲁棒性以及相似目标辨别度以减轻跟踪过程中产生的目标漂移现象,此外对该分支采用元学习训练方式以增强模型泛化性能。其次,对于人工标注数据集中不准确标注给模型精度带来的不利影响,本文采用基于蒙特卡洛采样的KL散度训练回归分支,从概率角度解决回归问题以减轻上述影响。（2）针对跟踪网络目标特征提取不够充分问题,本文在跟踪网络中应用具有空间注意力机制的Transformer结构进行特征提取。此外,本文将能量模型应用到目标跟踪回归任务中,将概率回归问题转化为优化基于能量模型问题,针对其中归一化函数复杂积分难以估计的问题,应用扩展的噪声对比估计训练能量模型以更加精确预测目标位置。（3）针对目前基于Transformer目标跟踪算法模型复杂度较高问题,本文聚焦目标跟踪任务特点,探寻新颖的模板帧与搜索帧之间交互方式,采用基于可变形注意力机制的编码器模块与基于自注意力机制的编码器模块结合的方式进行特征交互。基于可变形注意力机制的编码器能够精准追寻到目标位置而不用聚焦全部像素点,降低了模型参数量的同时也有效提升模型精度。