目标跟踪作为计算机视觉领域中的基础研究内容之一,在智能视频监控、自动驾驶、智慧农业和智能交通等领域中被广泛应用。随着大规模公开标注的图像数据资源的出现与计算机硬件计算能力的进步和发展,优秀的目标跟踪方法不断涌现,其相关研究也取得了极大的进展。虽然目标跟踪技术在当前有着良好的发展环境和发展势头,也促进了许多其他计算机视觉任务的发展,但是由于实际应用场景的多样性,跟踪环境和目标自身运动规律的复杂多变,目标跟踪仍是一项具有诸多挑战的任务,实现一个高性能的跟踪器也仍然需要克服很多难点。为此,本文针对复杂环境下的目标跟踪问题展开研究,以孪生网络为基础,首先提出了一种融合注意力机制的目标跟踪算法,其次提出了一种无锚框的目标跟踪算法,最后基于以上算法进行了原型系统设计与实现,并且选取权威数据集对本文提出算法的有效性进行了验证。本文的主要贡献包括以下两个方面:（1）针对跟踪算法在复杂场景中易受干扰因素影响,导致判别能力下降的问题,提出了一种融合注意力机制的孪生网络目标跟踪算法。首先,该算法解除了孪生网络结构的平移不变性,采用深度神经网络提取具有不同特性的多层次特征,尽可能地捕获相关信息。然后,引入注意力机制,分两阶段对响应图的计算进行了调整和设计,在第一阶段构建了交叉相关模块DCAM（Depth-wise Cross-correlation with Attention Mechanism,DCAM）,第二阶段设计并实现了一种高效的自适应响应图融合策略。两阶段的设计使响应图在计算的过程中,能够具有全局视角,对获取到的信息进行有侧重的筛选,更加关注目标的相关信息,抑制干扰因素带来的影响,从而实现稳定准确的目标跟踪。（2）针对回归任务设计复杂和跟踪模型性能不理想的问题,提出了一种基于孪生网络的无锚框视觉目标跟踪算法。首先,该算法在前述算法的基础上,通过无锚框的方式回归目标边界框,在简化回归任务复杂程度的同时,保证了跟踪结果的准确性。然后,为缓解网络训练中样本类别不均衡的问题,采用可动态缩放的交叉熵损失作为目标定位网络的损失函数,修正模型的优化方向,提升了跟踪算法的整体性能。最后,设计相应的学习率调整策略,对一定数量的模型进行随机权重平均,增强了跟踪模型的泛化能力。基于上述研究成果,我们进行了原型系统的设计与实现,搭建配置了实验所需环境,并对实验内容进行了详细设计,用于验证本文提出算法的有效性。本文选择权威数据集VOT2018与VOT2019对提出的算法进行了测试和评估,并且与当前主流的目标跟踪算法进行了对比。实验结果表明,与现有方法相比,我们提出的算法在准确度和鲁棒性上均有明显提升,同时算法在整体性能上也有不错的表现。