目标跟踪技术旨在通过在图像序列的初始帧中给定目标的初始位置,进而在后续的图像序列中能够持续稳定的对目标的位置和大小进行预测。在军事制导、无人驾驶、视频监控和智能交通等领域有广泛的应用前景。与传统的短时目标跟踪算法相比,长时目标跟踪任务需要处理时间更长的视频序列,并且对目标在视野中消失又重现的场景进行处理,更加接近实际应用场景。然而现阶段对于长时目标跟踪算法,仅有少量的研究,在性能和实时性上仍有一定的优化空间。基于孪生网络的目标跟踪算法使用深度学习进行跟踪,在性能较高的同时能够达到实时,近年来引起了极大的关注。本文基于孪生网络的目标跟踪算法,对长时目标跟踪场景展开了研究,针对其中目标形变问题和目标消失重现问题进行改进,本文主要贡献如下:（1）针对长时目标跟踪下的目标形变问题,在Siam RPN算法的基础上,设计基于状态感知模板更新的目标跟踪算法（AUSiam RPN）。构建基于元学习的模板更新机制替换传统的加权求和的方式进行目标的模板更新。并使用长短记忆网络结合时序信息来进行目标状态感知,能够在目标形变过程中选取合适的时机进行更新,避免频繁更新造成的误差累积。在OTB100和VOT2019数据集上进行实验,结果表明,改进算法AUSiam RPN,在成功率和精确度上相比Siam RPN算法分别提升了4.1%和4.3%,同时还实现了46帧每秒的跟踪速度,有效的改善了目标形变场景下的跟踪能力。（2）针对长时目标跟踪下的目标消失和重现问题,基于AUSiam RPN算法,设计了基于丢失重检测的长时目标跟踪算法（AUSiam RPN＿LT）。引入一种两阶段的目标重检测方法,在完成对全图快速粗搜索的基础上结合孪生网络进行判定和精定位。同时根据孪生网络的相似性进一步判决出现目标与消失目标之间的关系。在VOT2019＿LT数据集上进行实验,结果表明,本文改进算法在F-score上实现了0.621的性能,并且能够以34帧每秒的速度运行。（3）针对长时目标跟踪算法的应用场景进行研究。基于Jetson Xavier NX嵌入式平台,构建长时目标跟踪应用系统。结合目标检测算法,对AUSiam RPN＿LT算法在目标选取和重检测流程上进行优化。并从工程应用角度出发对系统进行实时性优化。实验表明本长时目标跟踪应用系统可以实现常规目标的稳定跟踪。