目标跟踪是计算机视觉领域一项基础性挑战任务,具有重要的学术价值与实用意义。在给定初始帧标注信息后,其任务不仅要在后续帧中对目标中心进行粗略定位,还需要进行精确的目标状态估计。近来,基于孪生架构的方法因其能在保持良好速度的同时取得较显著的性能,引起了目标跟踪领域的广泛关注。然而,孪生网络分支通常是独立的,缺乏信息交互,这限制了模型性能的进一步提升。为了增强孪生网络分支的协作能力,本文提出基于孪生架构的交叉感知网络模型——Siam Cross（Siamese Cross Object-Aware Network）。本文主要工作和贡献如下:（1）针对“孪生网络双分支协同缺位”的问题,本文基于孪生网络分支的协同互利原则,设计了全新的孪生交叉感知子网络（Siamese Cross-Aware Network,SCAN）。SCAN基于自注意力机制交叉融入双分支信源,允许孪生分支彼此全方位协同工作。这使得目标分支可有效利用搜索特征丰富的上下文语义信息,对目标产生更具有区分性的表示;搜索分支结合目标特征,也主动学习到了目标的本质信息。孪生分支提取的特征鲁棒性得到进一步提高。（2）针对“无锚框网络分支交互低效”的问题,本文基于无锚框网络分支的信息交互监督,提出了新型目标注意力交互网络（Obejct-Attention Interaction Network,OAIN）。无锚框算法将跟踪任务直接定义为对每个像素的分类和回归,网络分支特征可各自聚焦于目标的局部与全局空间信息。以上两种特征具有很好的潜在局部-全局互补性。OAIN构建了并行交叉注意力模块（Parallel Cross Attention Module,PCA）和自适应可形变交叉对齐模块（Adaptive Deformable Cross Align Module,ADCA）,充分结合无锚框网络分支之间的局部-全局特征信息并进行高效交互,获得了更精确的跟踪结果。（3）针对“跨分支辅助定位特征失焦”的问题,本文构建的ADCA模块带有额外的自适应空间转换操作,使得回归特征聚焦于目标区域采样,缓解了特征对齐失焦导致的分类分支参考信源可靠性大幅度降低问题。ADCA模块也因此能更好地跨分支辅助分类分支进行目标中心定位,完善了无锚框网络的高效交互机制。（4）最后,本文在OTB2015、VOT2018/2019、GOT10K和La SOT五个具有挑战性的公开基准中对Siam Cross进行了详尽的实验评估,通过与当前先进的26个跟踪器,如Siam RPN++、ATOM及Di MP等,对比验证了Siam Cross方法的优越性。此外,本文还设计了多组定性对比实验和消融实验,实验结果表明,本文提出的创新工作均能有效提高模型的性能,证明了Siam Cross方法的有效性。