视频目标跟踪技术是计算机视觉领域一个长期存在的研究方向。随着社会发展和视频制作技术的普及,对海量视频数据进行自动化内容分析的需求日益增长。视频目标跟踪技术是通过视频中某一给定目标实例,利用计算机自动提取、处理和分析视频后续内容,获取该目标实例在视频中的运动轨迹和外观变化的视频内容分析方法,可以为视频语义内容自动化理解和处理提供较为可靠和准确的数据支撑。视频目标跟踪技术在自动驾驶、人机交互和军事目标定位等领域都具有很大的实际应用价值和广泛的应用前景,一直是工业界和学术界的主要研究目标和方向,但由于视频目标跟踪技术本身所存在的研究难点,以及视频数据固有的复杂多样性,使得视频目标跟踪技术研究在目前依然面临着巨大的挑战。目前,基于深度学习的视频目标跟踪方法由于缺乏对视觉相似目标的判别策略,同时在训练过程中难以获取具有广泛语义目标的训练数据,导致该类方法在跟踪过程中往往难以区分视频序列中语义相同或外观相似的对象。为解决上述问题,本文提出一种基于孪生网络的视频目标跟踪方法。首先,将目标帧和当前帧输入参数共享的深度残差网络,并通过循环交叉注意力模块强化特征全局信息。然后,使用特征调制器生成基于给定目标的调制向量强化搜索分支语义信息,并融合多层卷积特征,获取目标框和当前帧更鲁棒的目标外观信息。最后,通过区域提议网络获得目标跟踪结果;在OTB2015和VOT2018两个公开基准数据集上的实验表明,本文方法相对于传统基于深度学习的视频目标跟踪方法在跟踪精度上获得了较大的提升,同时具备良好的运行速度。本文的主要工作如下:1)已有的跟踪算法容易将与待跟踪目标具有相同语义或相似外观的实例判定为真实目标,导致跟踪失败。针对这一问题,本文提出一种基于特征调制器的视频目标跟踪方法。特征调制器可以基于待跟踪目标生成特征调制向量,增强目标实例在当前帧多层特征中的视觉外观信息,充分利用目标和背景之间的外观差别,为孪生网络添加目标外观指导信息以适应目标新的视觉变化,使得目标实例在区域提议网络中获得更高的响应,从而实现特定于目标实例的跟踪任务。2)基于全卷积孪生网络的视频目标跟踪方法大多使用主干网络最后一层特征作为待跟踪目标定位模块的输入特征,而深层特征大量边缘细节信息丢失,导致跟踪精度降低。本文提出一种基于轻量级多层特征融合的视频目标跟踪方法。轻量级多层特征融合模块融合主干网络生成的多层特征,浅层特征中的边缘细节信息被映射至深层特征,再经过区域提议网络获得跟踪结果。这种特征融合方式不增加额外的可学习参数,并且可以有效避免图像在特征提取过程中目标信息的丢失,在保证跟踪速度的同时提高了跟踪精度。3)深度卷积网络通常使用感受野较小的卷积操作提取图像特征,导致特征无法完全捕获目标的全局信息,并且经过多次卷积操作后会损失大量上下文信息。本文提出一种基于循环交叉注意力的视频目标跟踪方法,在全卷积孪生网络的特征提取过程中,循环交叉注意力模块可以使网络模型更多地关注前景信息即待跟踪目标,并抑制无关背景信息,进一步提升跟踪精度。在公开基准数据集上的实验表明,本文方法可以较为准确地跟踪给定目标。