目标跟踪是计算机视觉领域一项炙手可热的课题,其定义是在有了初始帧跟踪对象的大小及位置信息的情况下,预测后续帧同一对象的所在位置及形状大小。随着近几年目标跟踪的迅猛发展,其中尤以孪生网络类目标跟踪性能更为显著。同时,目标跟踪方法在场景理解和无人驾驶等现实世界中也有运用,但在现实场景中会面临各种挑战,例如:尺度变化,形变,运动模糊,旋转等。针对以上现实场景中所遭遇的挑战问题,本篇文章在已有的孪生网络方法上结合注意力机制提出以下三种目标跟踪算法:针对特征提取不足以及缺乏上下文信息的问题,提出一种基于三重注意力和全局推理的孪生网络目标跟踪算法。首先,为了解决特征提取不足的问题,提出了一种三重注意力模型,该模型由三部分组成:挤压和激发块,空间挤压和激发块和通道挤压和激发块;其次,为了解决跟踪过程中缺少上下文信息的问题,在模板分支和搜索分支中添加了全局推理模型,这将生成两个不同的得分图。随着跟踪过程的继续,将这两个得分图相加,以分别构造不同权重的回归置信度图。对现有基准进行大量实验,证明提出的算法取得了较有竞争力的结果。针对网络过深导致部分特征丢失的问题,提出一种多层特征融合和并行自注意力的孪生网络目标跟踪算法。首先,用修改后的ResNet-50网络对模板图片和搜索图片进行特征提取,为处理网络过深而导致目标部分特征丢失,提出多层特征融合模块将ResNet-50后三层特征进行融合;其次,引入并行自注意力模块,这一模块由通道自注意力和空间自注意力组成,其中,通道自注意力可以选择性的强调对跟踪有益的通道特征,空间自注意力能学习目标丰富的空间信息;最后,区域提议网络来完成分类和回归操作,从而确定目标的位置和形状。实验显示,提出的算法在已有的测试数据集上取得了具有可竞争性的结果。针对模板特征提取不精确以及缺乏长程依赖的问题,提出一种多分支融合和全局上下文的孪生注意网络目标跟踪算法。首先,针对孪生网络中模板图片特征提取不充分的情况,提出多分支融合模块,这一模块将模板图片的低层特征分别与多个高层的特征相融合,从而提取丰富的模板特征;其次,为了获取后续跟踪图片帧中的长程依赖,在孪生网络的搜索分支加入全局上下文模块,获得具有长程依赖的搜索特征;最后,提出一种自注意力模块和交叉注意力模块,其中自注意力模块可以使目标跟踪过程中更加关注跟踪对象,交叉注意力模块可以联系搜索特征和模板特征,丰富两者之间的关系。实验结果显示,在多个常用的测试基准上,提出的算法是有效的,可以获得具有竞争力的结果。