目标跟踪在计算机视觉领域中扮演着重要的角色,是一项基础而充满挑战的任务,广泛应用于智能交通、智能监控、自动驾驶和军事工业等领域。随着深度学习技术的迅猛发展,涌现出优秀的彩色视频图像目标跟踪算法,跟踪的速度和精度也在不断提升,但是在目标形变,目标被遮挡等具有挑战性的场景中,彩色视频目标跟踪算法容易失效。高光谱图像（HSI）包含了目标大量的光谱材质信息,这些特征信息针对目标形变、遮挡等挑战性因素具有较高的稳定性。这一特性有助于目标跟踪,同时也吸引了大量学者开始在HSI上开展目标跟踪算法研究。然而,由于HSI数据维度高,光谱信息大量冗余,导致光谱特征利用率低。此外,有限的高光谱数据集也限制了高光谱目标跟踪算法的发展,导致现有的高光谱目标跟踪器跟踪性能较低。针对上述问题,本文提出了旨在提升网络模型对高光谱图像中目标和背景的区分能力的高光谱目标跟踪方法,主要研究工作和创新成果如下:针对高光谱图像中目标光谱信息与背景光谱信息区分度不高的问题,提出了一种基于多域差异感知波段加权网络的高光谱目标跟踪算法。该算法通过提取HSI中目标与背景之间的光谱差异特征,为HSI中每个独立的波段生成对应的波段权重。通过波段加权运算,重新校准HSI的光谱响应值,增强有价值的波段光谱信息,抑制无用的背景光谱信息。同时,通过多领域学习模块得到不同场景中的目标通用特征表达,以此提升网络模型提取目标通用属性的能力。实验结果表明,基于该算法的目标跟踪器能够对目标进行稳定有效的跟踪,且跟踪性能优于现有的大多数高光谱目标跟踪器。针对高光谱训练数据集小,以及高光谱图像中空间信息被忽视的问题,提出了一种基于域迁移和空谱特征加权网络的高光谱目标跟踪算法。首先,该算法通过空谱特征加权模块,对输入的HSI进行特征提取聚合,得到融合了空间位置特征和光谱信息特征的特征响应图。然后,将得到的特征图输入至后续的网络模型,使得网络模型更加关注目标的特征信息而忽略背景的特征信息,提升网络模型区分目标和背景的能力。其次,该算法提出的域迁移模块以及域间损失函数,使得基于彩色训练数据集训练的深度学习目标跟踪器能够有效应用于高光谱图像,缓解了高光谱图像训练集有限的问题。通过对比实验分析,表明本文所提算法能够对高光谱图像中目标进行稳定的跟踪,并且在速度和精度上都要优于现有的高光谱目标跟踪算法。本文从区分高光谱图像中目标和背景区域特征的角度出发,提出一种基于多域差异感知波段加权网络的高光谱目标跟踪算法,提升了目标和背景的可区分度。融合空间位置特征和光谱特征,提出一种基于域迁移和空谱特征加权网络的高光谱目标跟踪算法,并利用迁移学习有效解决了高光谱训练数据集有限的问题。通过实验证明了上述算法的可靠性和有效性,为高光谱目标跟踪算法的研究提供了新的研究思路。