视觉目标跟踪作为计算机视觉领域重要的研究方向之一,被广泛应用于视频图像监控、医疗重构等多个领域,具有重要的研究价值和意义。相比传统的目标跟踪方法,基于孪生网络的目标跟踪方法在跟踪准确度和精度方面表现出绝对的优势。但是在面临复杂的跟踪场景,例如运动目标发生尺度形态变化、背景遮挡时,仍然会出现跟踪失败的情况。因此,构建出具有高效且鲁棒的目标跟踪网络架构仍然是一个具有挑战性的任务。针对现有目标跟踪方法存在的不足,结合深度学习思想,设计了基于注意力机制实现目标跟踪的方法和利用多种特征提取网络实现目标跟踪的方法。具体研究内容如下。首先,对于目标跟踪的相关概念和基本知识进行简要介绍,对于目标跟踪方法中涉及的卷积神经网络和孪生网络知识进行概述。其次,通过对SiamRPN算法进行网络结构分析,发现在复杂跟踪场景下,SiamRPN算法跟踪结果的准确度和精度会降低。针对这一问题,提出基于注意力机制实现孪生网络目标跟踪方法。通过在孪生网络中加入通道注意力和空间注意力融合模块,实现不同帧之间的特征融合,达到增强前景特征,抑制背景特征的目的。增强网络模型对于样本特征的判别能力,得到更鲁棒的跟踪结果。再次,为了进一步提升现有目标跟踪方法的跟踪性能,以及能够更好地适用于实际应用场景,提出基于多种特征提取实现孪生网络目标跟踪方法。使用深度特征提取网络ResNet50替代孪生网络目标跟踪方法中特征提取网络AlexNet,修改网络结构以获取深层次语义信息,增加网络的深度同时提高了算法对特征的表达能力。使用轻量级特征提取网络MobileNet V2替代了孪生网络目标跟踪算法中特征提取网络AlexNet,修改后的网络结构在保持类似现有方法类似精度的同时,减少了目标跟踪任务中网络模型的参数数量和计算量。最后,对于提出的两种目标跟踪方法在OTB数据集和VOT数据集上进行验证,获得了更高的成功率和准确率,证明了算法的可行性和有效性。