视觉单目标跟踪作为计算机视觉基础任务之一,在智能视频监控、无人驾驶等领域有着广泛的应用。近些年,基于全卷积孪生网络的目标跟踪算法SiamFC（Siamese Fully Convolutional）由于其在跟踪精度和运行速度都取得较好水准,获得了极大的关注。本文以此为基础研究视觉单目标跟踪,其表现形式为在初始帧给定任意的单个待跟踪目标的信息,在视频的后续帧中预测待跟踪目标的实际位置和尺度大小。本文所提算法在复杂的跟踪场景下既能保证跟踪精度,又能满足实时性,相比当前融合各种复杂机制的跟踪算法,本文所提算法参数量更小,可以被应用到嵌入式等低算力设备中,具有广泛的应用前景。主要研究内容概略如下:（1）针对SiamFC算法在面对目标遮挡、形变、旋转等复杂跟踪场景时,跟踪精度和鲁棒性不佳问题,提出一种基于双分支孪生网络的目标实时跟踪算法,命名为Siam SAF（Siamese Semantic,Appearance and Fusion）。首先使用包含语义分支和外观分支的双分支孪生网络以及融合模块搭建算法网络框架;其次外观分支使用浅层神经网络提取富含结构信息和空间位置的外观特征,语义分支使用深度神经网络提取富含高级语义信息且强鲁棒性的语义特征;最后通过自适应融合模块,融合外观分支和语义分支的响应图。在OTB2015与VOT2018测试集上进行实验,实验结果表明,所提算法在满足实时性要求的前提下,距离精度和重叠成功率相较基线算法分别获得10%和7%的提升。（2）针对SiamFC算法使用浅层神经网络作为特征提取器所提取的特征判别性不足问题,提出一种基于CB-Fire（Crop,Batch Normalization and Fire Module）模块的高帧率目标跟踪算法,命名为Siam Squeeze+。首先使用由Fire模块搭建的轻量级神经网络Squeeze Net作为骨干网络;其次对Fire模块引入特征图裁剪层和批量归一化层构建CB-Fire模块分别解决卷积层的填充操作损害跟踪精度问题和深度网络难以训练问题;最后由CB-Fire模块搭建算法的特征提取网络。Siam Squeeze+所使用的深度特征提取网络在增强提取到的特征的判别性的同时,CB-Fire模块的设计可以有效减少网络的参数量,减少特征提取时间。在OTB2015和VOT2018测试集上进行大量实验表明,所提算法相较基线算法距离精度和重叠成功率分别获得8.1%和6.2%的提升。网络参数量只占基线算法参数量的28.3%,算法远超实时性要求,具有良好的应用前景。（3）针对SiamFC算法的互相关操作中,特征的每个通道对相似度计算的贡献是平均的,跟踪器没有关注对跟踪更有帮助的特征问题,提出一种融合注意力机制的轻量级孪生网络目标实时跟踪算法,命名为CA-Siam Mobile Net。首先使用改进的Mobile Net V1作为特征提取网络,其采用的深度可分离卷积相较传统卷积操作可以有效降低参数量;其次在模板分支的末端添加一种轻量级的通道注意力机制,增强重要通道的权重;最后在OTB2015和VOT2018测试集上进行实验表明,所提算法相较基线算法距离精度和重叠成功率分别获得4.2%和2.8%的提升,网络参数量更小,跟踪精度和速度都显著提升。