目标跟踪是计算机视觉的一个极具挑战性课题,有着重要的研究意义。现阶段目标跟踪算法对于快速运动弱目标的跟踪效果不佳,快速运动弱目标主要表现为目标与背景的对比度低且在快速运动场景下目标与背景不断发生变化,难以捕捉到全局信息,使得模板污染变大,导致跟踪失败。针对上述问题本文提出了一种时空信息连续多特征融合孪生网络跟踪算法,能有效地解决上述问题并表现出良好的性能。本文具体工作如下:首先,通过对公开数据集进行对比分析,选择8个代表性测试序列为本文快速运动弱目标跟踪数据集,并统计每个测试序列中快速运动弱目标对应的帧数、总帧数及包含的挑战因素,验证本文跟踪数据集的可靠性、有效性。其次,分析全卷积孪生网络算法在测试序列上跟踪的不足之处,并对比传统手工特征与深度特征的优缺点,选择Conv3、Conv4、Conv5三层深度特征对快速运动弱目标描述并添加通道注意力模块提升对快速运动弱目标的识别能力,然后通过粗到细的方式将多层特征相似度学习结果进行融合定位,并在快速运动弱目标数据集上进行实验,验证快速运动弱目标特征描述方法设计的有效性。再次,在特征描述方法设计后的跟踪中仍有少许不足,于是设计时空信息连续模块,利用相邻帧目标运动与背景的连续性及变化的微小性,选用预测帧前一帧跟踪结果与第一帧真实目标共同估计预测帧,使得跟踪过程中能够保持目标及背景的时空信息连续,有效的处理快速运动弱目标场景中背景与目标不断变化,并对时空信息连续模块进行优化,减少了不必要的参数计算。最后,在测试数据集下对比5种不同的跟踪算法进行跟踪展示,跟踪表明本文算法对快速运动弱目标跟踪的稳定性和实时性,且对比特征描述方法设计后的跟踪结果验证了时空信息连续模块的可行性,并在其它场景进行跟踪测试,验证本文算法普遍适应性;在定量评估实验中,与9种不同类算法和6种同类算法在准确率、成功率两种评价指标下进行整体性能对比,实验表明本文算法整体性能稳定,相比与基准算法Siam FC在OTB100数据集上准确率提高了1.3%,OTB50数据集上准确率提高了1.8%;在属性评估实验中,对比在不同挑战因素下的成功率与准确率,表明本文算法对不同挑战因素处理的有效性;在特征分析实验中,选用不同特征进行消融实验,验证本文算法特征选择的有效性。综上,表明本文算法在长时或短时的快速运动弱目标场景下能够达到稳定实时跟踪的效果,且综合性能良好,有效地解决了上述问题,验证了算法的有效性。