现代社会智能化发展飞快,公共场所监控摄像头越来越普及,相应的基于监控视频的行人目标跟踪技术也有着广泛的应用前景。近年来,深度学习迅猛发展,基于深度学习的目标跟踪算法性能也提升了不少,但在实际应用场景下,仍存在着许多挑战。本文对目标跟踪挑战中的相似物干扰以及目标遮挡挑战进行了深入分析,以行人为主要跟踪目标,提出了基于光流预测的孪生网络目标跟踪算法,以解决部分跟踪挑战,进而提升目标跟踪算法的鲁棒性。本文研究的主要内容如下:本文算法将光流网络（Flow Net）与孪生（Siamese）网络相融合,以实现在相似物干扰以及遮挡情况下仍有高跟踪精确率的目标跟踪算法。首先通过光流网络提取被搜索图像帧和其上一帧图像间的运动信息生成稠密光流图,并回归得到目标预测区域,裁剪出预测区域的图像块,输入轻量级孪生网络中的搜索分支,使得孪生网络跟踪算法在目标可能出现的区域通过相似度进行跟踪,达到防止图中其他区域的相似物对跟踪算法形成干扰的目的,解决了目标被相似物干扰的问题。接着通过光流网络提取的光流信息结合相似度阈值对目标变更与否进行判断,当预测目标与模板目标相似度值低于相似度阈值时,复用光流网络提取的光流图,对目标位置前后两帧间的两个光流矢量进行比对,当光流矢量差高于一个阈值时,判定目标发生了错误变更,并进行目标修正。通过前后两帧间的光流信息重新选取后一帧中有着相似光流矢量以及高相似度的对象作为预测目标,完成对跟踪目标的修正。更好地应对了目标被大部分遮挡及被相似物部分遮挡情况下易发生目标错误变更的问题。本文采用轻量级的卷积神经网络作为孪生网络的骨干网络,多次使用1×1的卷积核压缩通道数量,降低参数数量,在提升跟踪算法的计算速度的同时使得孪生网络的泛化能力也得以提升,并将第三层卷积层和第五层卷积层提取的卷积特征相融合,丰富卷积特征,从而进一步地提升本文跟踪算法的性能。本文算法在加利福尼亚大学提出的OTB（Object Tracking Benchmark）数据集进行实验验证。实验结果表明,本文算法能有效解决在相似物干扰以及目标遮挡挑战场景下,跟踪目标易发生错误变更的问题,本文算法在OTB遮挡挑战视频图像序列下跟踪精确率达到了0.830,成功率图的曲线下面积（Area Under the Curve,AUC）达到了0.635,相比核相关滤波（Kernel Correlation Filter,KCF）算法成功率图的AUC值和精确率分别提升了18.7%和26.9%。本文将光流网络与孪生网络相融合进行目标跟踪,较大地提升了目标跟踪算法在相似物干扰挑战及目标遮挡挑战场景下的跟踪性能。