深度神经网络（Deep Neural Network,DNN）通过构建多层次、多神经元大规模网络进行学习来获得数据非线性及潜在结构化表达,推动计算机视觉飞速发展、在图像识别、异常检测等许多应用领域取得了突破性成果。单目标体追踪通过给定前一帧目标所在位置与形态信息判定当前帧该目标所在位置与形态,实现在视频图像序列中对所关注目标的追踪与定位,DNN的引入实现了追踪器从特定目标到通用目标、在线训练到完全离线训练的跨越式进步。但在实际应用中,面对复杂场景下的追踪任务仍然是亟需解决的挑战。经典DNN框架侧重于增强物体二维特征提取能力,以提高一般场景下的追踪性能。由于单一的二维特征不能应对来自周围环境的干扰,使其很难在复杂场景中工作。例如,光照急剧变化导致模型对追踪目标物体单一二维特征的非确定性。因此,根据目标物具有潜在的三维特征几何不变性原理,本文提出一种基于深度强化学习（Deep Reinforcement learning,DRL）的多特征融合目标追踪框架,使追踪器在面对复杂场景时提供更加稳健的追踪性能。同时,针对DRL算法数据利用率低与不稳定等特点,进一步优化所提出模型,获得更鲁棒的离线目标追踪方法。本文的主要工作如下:（1）在复杂场景的追踪任务中,传统追踪器侧重于获取追踪目标二维特征表达,导致模型对复杂场景中遮挡、光照等干扰敏感,产生追踪漂移现象。针对该问题,本文基于深度强化学习理论,生成目标体潜在三维信息,并融合二维特征实现具有鲁棒性的目标追踪能力。首先,构建深度强化生成器（Deep Reinforcement Generator,DRG）,利用强化学习对时序性任务求解与离散采样数据中所具有的优势,挖掘目标与背景潜在三维信息;其次,通过建立潜在三维信息,与模型提取二维特征间的距离损失函数,及模型预测目标重叠度与真实标签值损失函数,优化生成类三维特征,保证目标真实性与可判别性;最终,训练双端网络,获得潜在三维信息并融合二维特征利用全连接神经网络实现目标判别。本文在现有的单目标体追踪流行基准OTB-50与OTB-100上验证了所提出模型有效性。（2）DRL算法执行过程中存在数据利用率低、训练时间长、性能不稳定等问题,源自于深度强化学习理论的探索式采样中应用的大部分环境均为奖励反馈稀疏环境（所采样交互信息只有极少部分含有非零反馈值）。异步优势演员评论家算法（Asynchronous Advantage Actor-critic,A3C）利用网络结构相同的多从属子智能体并行计算,主智能体参数异步更新的学习方式,构建并行DRL框架,实现智能体大规模复杂环境探索。极大的加速了DRL算法的训练过程。然而,其在最优策略探索中将产生求解高方差问题,使主智能体难以保证全局最优参数更新及最佳策略学习。本文提出紧凑异步优势演员评论家模型（Compact Asynchronous Advantage Actor-critic,Compact＿A3C）实现A3C模型压缩及知识抽取,该模型冻结并评价A3C框架中所有子智能体学习效果,将评价结果转化为主智能体模型更新概率,保证全局最优策略获取,并提升大规模网络资源利用率。进一步,模型将更新后的主智能体作为“教师网络”,监督小规模“学生网络”的前期探索与最优化策略引导,构建线性衰减损失函数控制“教师网络”影响,鼓励“学生网络”对复杂环境自由探索,强化自主学习能力,有效实现大规模A3C模型知识抽取及网络压缩。本文在流行的Gym Classic Control与Atari 2600测试环境验证了所提出模型所具有的通用能力。同时,利用该模型改善原有的DRG,保证了性能浮动范围在3%的情况下,极大减少DRG阶段的训练时间并加强了训练过程的稳定性。