目标跟踪是计算机视觉中一项基础但具有挑战性的任务。给予视频序列初始帧中的目标状态,跟踪器需要预测随后每一帧中的目标状态。目标跟踪以其重要的理论价值和广泛的应用价值,吸引了国内外众多研究员和研究机构的关注。虽然目标跟踪已经被深入研究了很多年,也有许多高性能的目标跟踪算法被提出,但在真实世界的场景实现快速、准确的跟踪依然具有挑战性。目标跟踪的挑战主要来自环境的复杂性和目标自身的因素（如背景混杂、非刚性物体形变、快速运动）。在真实世界的场景中,由于目标或摄像机的移动以及目标外观的变化,目标的尺度和宽高比也不断发生变化。在目标跟踪中,准确预测目标的尺度和宽高比成为一个难题,并由于背景混杂、遮挡和快速运动等难点的存在,而使问题更具挑战性。针对上述问题,本文提出了两个基于孪生网络的目标跟踪算法,主要研究内容如下:（1）提出了基于孪生边框自适应网络的目标跟踪算法（Siamese box adaptive network,Siam BAN）。Siam BAN将目标跟踪问题视为并行的分类和回归问题,可以在统一的全卷积网络中直接对对象进行分类并回归其边框。无锚（anchorfree）的设计避免了与候选框相关的超参数和运算,从而使Siam BAN更加灵活和通用。此外,针对目标跟踪问题,还做了以下改进。在特征提取网络方面,修改了Res Net-50上卷积的步长且应用了不同空洞率的空洞卷积。在样本标签分配方面,提出了自适应的椭圆标签分配方式。在损失函数方面,使用了线性的Io U损失。Siam BAN以40 FPS的速度在包括VOT2018,VOT2019,OTB100,Nf S,UAV123,La SOT在内的跟踪基准数据集上获得了先进的性能。（2）提出了基于孪生特征对齐网络的目标跟踪算法（Siamese feature alignment network,Siam FAN）。Siam FAN用两步优化机制来改善预测的边框和使用的特征之间不对齐的问题。在两步优化机制中,第一步先用无锚的方式生成初始边框,第二步再对初始边框进行分类和优化。为了使用来分类和优化的特征能更准确的描述初始边框,本文设计了可以根据边框进行采样的对齐卷积。此外,本文还设计了目标蒙版,以充分利用目标在初始帧的状态。Siam FAN在多个目标跟踪基准上获得了先进的结果,包括VOT2018,VOT2019,OTB100,Nf S,UAV123,La SOT,且速度高达75 FPS。