目标跟踪作为计算机视觉领域内的基本方向之一,在近十几年来取得了很大的发展,然而目标跟踪技术并没有达到非常高性能的水准,在跟踪精度、鲁棒性以及跟踪速度方面都还有较大的提升空间,另外,研究人员对长期跟踪的研究还远远不够。近年来深度学习的迅速崛起让人们看到了计算机视觉、人工智能的新曙光,通过深度学习,目标检测、识别取得了很大的进步,然而深度学习技术在目标跟踪方面的应用起步相对较晚,因此在跟踪领域内还没有出现很具有代表性的研究成果。本研究的题目是基于深度学习的目标跟踪研究,针对现有目标跟踪方法精度低、鲁棒性差、跟踪时间短等问题,尝试用深度学习的方法从长期跟踪和短期跟踪两方面提高目标跟踪的综合性能,为目标跟踪问题提供新思路。本文的主要研究内容有:提出一种通过非监督学习获取卷积核的在线卷积神经网络结构,将其作为特征提取器,再结合核相关滤波(KCF)框架,实现对目标的搜索与定位,除此之外,还提出一种融合了卷积核更新与相关性滤波器更新的新型模板更新策略,用来提高目标跟踪的鲁棒性。最终基于OTB2013对算法进行了实验。本研究基于大型的预训练离线卷积神经网络模型设计一种针对目标跟踪的网络结构,抛弃传统的模块化设计模式,将目标跟踪转化为一种端对端的深度网络回归问题,实现对目标位置的预测。本研究还基于OTB数据集提出一种针对该网络的数据增强方法,并借助此方法构建了网络训练集,最终将训练好的网络在VOT2014进行评估。本研究基于高速度、高精度的深度学习回归检测算法,建立了针对长期跟踪的全新框架,并且加入运动估计模块和高斯加权机制以保证跟踪的连续性,除此之外,本研究还提出一种改进的单击式初始化目标方法,让跟踪初始化更简单、更精确,另外本研究还构建了针对长期跟踪的测评数据库,包含了长期跟踪中最常见的挑战性因素。最后,本研究设计了一套完整的目标跟踪系统,包含软硬件设计,基于该平台,对本研究提出的深度学习算法进行性能验证与可行性分析,最终结果表明基于卷积神经网络与相关性滤波的目标跟踪由于实时性较差无法完成跟踪任务,而基于离线深度网络的目标跟踪和基于深度学习回归检测的长期目标跟踪本表现出了出色的综合性能。所有的实验结果表明深度学习相比于传统的方法可以实现更高目标跟踪的精度和鲁棒性,并且在借助高速GPU运算的情况下可以实现更高的跟踪速度。