视频日标跟踪是计算机视觉研究领域的重要组成部分，目的是对视频序列中特定目标进行检测，以得到其位置以及运动轨迹信息，进而完成更为高级的理解和分析任务，其在智能监控、无人驾驶以及智能医疗中广泛应用。当在跟踪中出现目标形变、遮挡以及背景杂乱等挑战时，深度学习目标跟踪算法往往不能很好的应对，从而导致跟踪任务失败。将强化学习结合深度学习用于日标跟踪，直接利用马尔科夫决策过程对跟踪序列求解，可使得满足跟踪精度的同时提高跟踪速度，两者之间达到有效平衡状态。基于此，本文对深度强化学习视频目标跟踪算法继续研究,主要提出了两种算法，一是改进的基于Actor-DoubleCritic 网络目标跟踪算法，二是基于多任务元学习的动作决策网络目标跟踪算法，主要研究内容如下:（1）针对深度学习目标跟踪算法在目标被遮挡、形变以及旋转时导致跟踪鲁棒性差的问题，提出了改进的基于 Actor-Double Critic 网络日标跟踪算法。改进点主要分为两部分。一是双 Critic 网络。在离线训练时，利用所设计的双 Critic 网络接收该 Actor 输出的动作值，进而输出双Q 值再取平均值,以指导 Actor-Critic 网络的学习过程相对于单 Critic网络，双网络设计使得算法在遮挡属性序列上的跟踪性能得到较大提升。二是设计了一种有效奖赏函数。在在线跟踪中，基于马尔可夫决策过程，Critic 网络对于输入的三维动作值，利用设计的细致奖赏函数对输入的动作进行评价，该奖赏函数在-定程度上可指导输出积极动作，使得算法在形变以及旋转场景下的跟踪精度较高。最后，对改进算法和四种主流跟踪算法进行了可视化分析，实验结果表明，所提算法整体表现出了较好的跟踪效果。（2）针对改进算法在标分辨率较低、尺度发生改变以及有背景干扰情况下导致跟踪效果一-般的问题，提出了基于多任务元学习的动作决策网络目标跟踪算法。该算法分为离线训练和在线跟踪两部分，其中，离线训练又分为多任务学习训练和强化学习训练两阶段，多任务学习阶段，动作决策网络不仅提取输入图像的目标通用特征信息，而且可预测出不同动作,从而具有单步决策的能力。强化学习训练阶段,利用所设计的奖赏函数训练网络以得到当前帧最优动作输出,以此实现多步序列决策。在在线跟踪中,为了使得跟踪器快速适应新的特定跟踪任务,提出了基于元学习的动作决策网络参数调整方法。最后,在标准跟踪数据集OTB100上,分别从定量以及定性两方面对所提算法和四种主流算法的性能进行了比较分析,同时也对算法的跟踪速度进行比较。实验结果表明,所提算法在低分辨率、背景杂乱以及尺度变化等场景下,跟踪精度和速度之间达到了有效平衡,实现了准确且鲁棒的跟踪。（3）针对跟踪中的遮挡、形变、旋转以及背景杂乱四种特殊场景,以所提两类算法为研究对象,进行了基于特殊属性的视频目标跟踪算法性能比较分析。首先,在具有遮挡、形变、旋转以及背景杂乱属性序列上,对所提算法与一些跟踪算法进行了精确度和成功率对比。其次,对算法的运行速度进行比较分析。对跟踪算法结果分析其不同适用性,最终目的是,根据用户对跟踪算法精度/速度的不同需求,为其挑选一种既合理又效率高的目标跟踪算法提供重要的选择依据。