在人工智能高速发展的今天,对于运动目标的跟踪问题成为了当下研究的热点,在视频监控、虚拟现实、人机交互、图像理解、无人驾驶等方面均有着广泛的应用。尽管已经取得了诸多进展,但是由于光照变化、遮挡、变形等多方因素的影响,目标跟踪依然是一项待研究和优化的项目。深度学习的发展引发了人工智能的第三次浪潮,伴随目前我们所能处理数据规模的扩大,深度学习为目标跟踪做出了突出贡献。在目前主流的跟踪算法中,基于孪生网络（Siamese network）的目标跟踪算法发展迅速,成为了与主流的相关滤波算法相匹敌的研究方向。本文针对近年来孪生网络在目标跟踪领域的发展,以解决复杂条件下（干扰、遮挡、光强变化等）跟踪、目标运动和形状多变等诸多挑战为目标,主要研究内容如下:（1）对目前基于孪生网络的目标跟踪算法进行深入的探究,通过多个对比实验与分析,根据实验结果得出算法的优缺点。针对现有算法的缺点,从网络结构构造与损失函数确立两个方面进行分析,主要针对目标形变和场景中的强干扰所带来的挑战,引入了一种在线更新机制,并对其进行了进一步的优化;（2）本文以孪生网络 Siamese-RPN（Siamese Region Proposal Network）为基础框架进行改进,提出一种基于在线更新机制的孪生网络跟踪算法,对其损失函数进行优化,以解决当下算法由于没有在线更新机制而引发的抗干扰能力较差等问题,并搭建一个具有预测判别能力的目标跟踪系统。通过利用各大数据集进行离线训练与在线追踪,与当今主流算法进行对比,进一步验证本文算法的有效性;（3）针对引入在线更新的目标跟踪算法特征表达能力较弱及跟踪速率较慢的缺点进行进一步的优化,为孪生网络加入双注意力机制,通过通道注意力和空间注意力的双作用,提高网络的特征表达能力,完善在线更新机制所带来的抗强干扰能力较差等问题。进而在保证跟踪准确率的同时,增强算法的鲁棒性,同时也提高了跟踪速度;（4）通过多组对比实验进行分析与总结,利用多个数据集和多种算法,从不同维度进行实验。从数据集OTB2015中分别挑选具有不同类别干扰（遮挡、目标尺度变化、运动模糊等）的视频序列进行测试,并对算法优缺点进行详细总结,提出未来可行的研究方向。