智能场景理解对计算机视觉技术有急切的需求,而视觉目标跟踪领域是其中的关键环节之一。视觉目标跟踪是通过第一帧所提供的目标模板,由跟踪器学习其属性特征,并从后序帧中准确判别目标并追踪。经长足的发展,现有目标跟踪算法已能一定程度克服低分辨率、遮挡等因素从而实现长时效地跟踪目标,但在跟踪实况场景中仍受到诸多因素的影响下,跟踪算法表现出低准确率、低鲁棒性。为此本文提出基于Siamese网络与多路径特征融合的目标跟踪算法,主要研究内容如下:（1）针对跟踪器对目标特征响应不敏感、定位精确度低的问题,提出基于特征优选模型的目标跟踪算法。遵循卷积块及反卷积的思想,本文构建多尺度强化学习特征优选模块,在不改变图像特征分辨率的情况下,对多尺度下特征图进行全局特征编码,将编码后的特征归一化处理,监督跟踪器加强学习有效目标特征;再使用卷积块将其与原特征向量对齐融合,实现多路径特征融合。跟踪器最终在保证网络稀疏性的同时,提高了对目标特征响应的灵敏度。经实验验证,本文算法具备良好的竞争力。（2）针对常见的高阶特征信息判别机制存在瑕疵,导致跟踪漂移的问题,提出基于特征调制与记忆学习机制的目标跟踪算法。通过引入门控机制判别高阶张量特征信息,调控单帧序列图像中的特征关联度,以此利用图像特征中的交互信息辅助目标定位;并对跟踪器提取细粒度特征性能进行分析,构建分段记忆学习模块遍历抽取图像细粒度特征,复核筛选跟踪器学习到的初始特征向量,提高对现有高阶特征信息的利用率,增强对目标特征信息的辨识度。实验结果表明,所提算法能够建立可靠的高阶特征信息筛选机制,并实现准确、长时效的跟踪目标。上述所提跟踪思路,经使用GOT-10k、ILSVRC-VID2015训练数据集离线训练,获得跟踪器模型,通过OTB100、VOT2018测试数据集验证可知,本文所提跟踪算法性能优于对比算法,并且本文跟踪算法的在OTB100数据集跟踪速度可达到59fps（frame/s）、VOT2018数据集跟踪速度可达到44fps（frame/s）。最终通过消融实验进一步分析本文所提跟踪思路的性能。