视觉在线目标跟踪是计算机视觉领域的基础问题之一,通过统计学、机器学习或深度学习方法,对任意视频序列中指定目标连续地进行位置预测,可应用于安防监控、自动驾驶以及无人机系统中。目标跟踪算法经历了基于粒子滤波采样框架、相关滤波判别模型、深度卷积特征表示和端对端离线训练跟踪框架四个发展阶段,现有算法在面向较复杂的视频进行跟踪时,仍然存在物体遮挡或消失引发目标丢失、同类别相似目标难以辨别导致长期误跟、背景噪声嘈杂污染模型参数以致预测偏差等问题。本文通过分析国内外视觉目标跟踪的发展现状,针对以上难点与挑战,在主流的端对端深度匹配跟踪框架的基础上进行改进提升,从增强跟踪模型对输入数据的相似性度量能力和提高算法应对目标变化时的稳定性方面展开研究。针对匹配模型中相似性得分不可靠、离线模型难以适应在线目标和场景变化问题,本文提出了基于深度交叉相似网络的视觉目标跟踪算法,该方法基于孪生卷积网络、交叉相似性和注意力机制等理论,具体研究内容如下:首先采用离线视频数据监督训练和在线参数自适应更新相结合的方式建立端对端深度匹配跟踪框架,使算法同时具有一般性特征描述和灵活应对视频变化的能力。其次基于孪生卷积网络设计交叉相似层,对模板与候选样本的所有特征向量计算两两交叉相似得分,利用周围特征的相似性信息对当前位置结果进行叠加补偿,增强模型判断输入样本对之间匹配程度的可靠性。然后把深度注意力机制引入到匹配模型中,为不断随时间改变的交叉相似结果自适应地分配空间权重系数,抑制背景噪声和非目标物体的干扰,突出目标所在区域的相似性分值。最后采用独立不相关的分类模型对匹配模型跟踪预测结果的置信度进行衡量,决定在线更新的时机,在提升算法效率的同时防止参数过拟合。可视化定性分析和公开数据集上的定量评测结果均对本文所提出跟踪算法的有效性进行了验证,在交叉相似性和注意力机制的共同作用下,算法可以应对目标剧烈形变、快速移动、局部遮挡、面内旋转等跟踪挑战,特别是能够区分出同类别内不同的相似物体,对其中某个指定目标进行稳定准确的位置估计,实现实例级跟踪。根据目标跟踪数据集中常用的评测指标,本文所提出算法在精确度曲线上相对于基准算法框架有较大提升,与现有其他相关算法的对比实验结果表明本文算法达到了深度匹配模型中满意的跟踪效果。