视觉目标跟踪是计算机视觉领域中最具挑战性的研究课题之一,它可以为机器人提供对指定目标的跟踪、定位和识别,并将目标或环境的参数提供给控制器供后续使用。为了研究视觉目标跟踪问题的本质和适应其在现实流行场景中的广泛应用,许多大规模的基准数据集已建立,针对目标跟踪领域中的不同问题,相当多针对性的方法也被提出。近年来取得的重大进展主要是通过基于深度学习（Deep Learning）的方法。虽然目标追踪的应用前景非常广泛,但还是有一些问题限制了它的应用,对于一个运动的物体,由于物体本身加上镜头的运动,其运动轨迹非常复杂并且经常发生变化,给视觉目标跟踪带来许多挑战:·形态尺寸变化。在跟踪过程中,目标物体由于远离或者靠近镜头会发生尺寸的变换,同时,由于物体的刚体旋转运动,其呈现在画面上的形态也会发现变化。·目标丢失。目标在运动过程中可能出现丢失或者被其他物体环境遮挡的情况。当这种情况发生时,跟踪器容易错误跟踪相似的遮挡物,会导致后续序列中的跟踪结果偏移到错误的物体上。若目标在画面中消失,还需要重新检测。·背景干扰。目标在跟踪过程中,可能出现的背景具有多样性和不可预测性,很有可能出现与目标外观颜色相似的背景场景对跟踪系统会造成了干扰。·图像模糊。由于环境亮度的变化,图像的清晰度低或者目标物体运动速度过快等情况会影响跟踪器模型的判断。因此,提高特征提取器的判别性对目标和背景进行区分非常重要。为此,本文针对跟符合现实应用场景的长时间单目标跟踪任务的核心问题,提出新的模块设计和系统框架设计,同时对基础网络架构提出改进的训练方法,进一步的提高整体系统的性能,对相关研究进行了实验设计,完成实验并在权威测试数据集上验证系统性能。通过元学习结合MixUp[1]数据增强方法,提高特征提取骨架网络的性能。提出了 one-shot目标检测方法,解决目标丢失后再定位和再识别的问题。采用多短时跟踪器融合的方式提高跟踪的精度和对目标大小尺寸的适应性。通过级联回归方法提高了短时跟踪器的性能。实际时序记忆模块和在线更新模板模块作为目标再检测的验证器,提高跟踪系统对目标判别的鲁棒性。论文选择了最权威和具有挑战性的多个数据集,VOT2020-LT[2]、Lasot[3]、VOT2018[4],GOT10k进行了测试验证实验。实验结果表明本文模型在多个目标跟踪指标下都达到了当前具有竞争力的性能,本文提出的方法模型和系统具有应用和研究价值,可被广泛应用在安防,无人机,无线设备等领域的科研工作中。