随着计算机视觉技术的不断发展,视觉目标跟踪广泛应用于人机交互、智能视频监控等多个领域,但跟踪结果往往受到背景、光照以及目标形态变化等因素的影响,因此如何克服跟踪时面临的困难,实现鲁棒跟踪值得深入研究。该文围绕如何有效提升相关滤波跟踪模型、孪生网络跟踪模型性能进行研究,提出三种改进算法。首先,针对传统核循环（Exploiting the Circulant Structure of Tracking-by-detection with Kernels,CSK）相关滤波跟踪算法采用单一特征易受光照变化、复杂背景和相似目标干扰导致丢失目标的缺陷,提出颜色-纹理特征联合的CSK跟踪算法。首先提取11维颜色属性特征,主成分分析法将11维特征降至2维,减小计算复杂度且保留重要信息,然后提取图像局部二值模式（Local Binary Pattern,LBP）纹理特征,利用自适应权重方法联合两个特征,最后依据特征模板调整CSK更新机制对目标进行跟踪。其次,针对传统相关滤波跟踪框架无法进行端到端训练的问题,提出收缩损失目标感知的深度跟踪算法。首先基于深层卷积网络（Very Deep Convolutional Networks for Large-Scale Image Recognition,VGG）模型提取图像特征,设计回归损失和排名损失,通过反向梯度传播指导对目标和尺度敏感的通道选择,生成目标感知模型,为解决前-背景数据不平衡问题,在回归模型中加入收缩损失来惩罚简单训练数据的重要性,提高模型准确性,最后将目标感知模型与孪生网络模型集成进行视觉跟踪。最后,针对轴对齐跟踪框和深层网络过多的超参数导致目标跟踪性能较差的问题,提出深层残差变换网络（Aggregated Residual Transformations for Deep Neural Networks,Res Ne Xt）联合分割-定位的深度跟踪算法。算法包括Res Ne Xt模型、目标分割模型、目标定位模型和孪生网络模型四部分。首先基于Res Ne Xt预训练网络模型提取图像深层特征,基于目标分割模型得到多个相似目标的分割前景、背景特征响应图,基于目标定位模型得到精确的目标位置响应图,融合目标位置与分割响应图,选出最终目标分割图,结合主干特征通道信息进行语义分割（Convolutional Networks for Biomedical Image Segmentation,U-net）上采样得到更加准确和详细的分割图,最后对分割图进行旋转矩形框拟合,并结合孪生网络框架对目标进行跟踪。