海量视频图像下的高性能视频目标跟踪技术已广泛应用于安防监控、自动驾驶、人机交互以及精确制导等民用和军事领域,是当前计算机视觉和人工智能领域的研究重点。理想的视频目标跟踪系统应当具备精准捕获和长时稳定跟踪目标的能力。然而,受复杂背景和高动态场景变化的影响,跟踪性能往往具有较大的局限性。跟踪中,如何更好地建模感兴趣目标,增强其表征能力,并准确估计其位置是亟需解决的关键问题,具有重要的理论和实际意义。早期建模方法通常利用颜色、梯度、关键点等手动特征描述目标的时空域变化,存在表征能力不足与适应能力较差等问题,容易在复杂场景中导致跟踪不稳定等情况。近年来,随着深度神经网络技术的发展,从大规模数据中自动学习具有更强判别能力的特征和结构成为了可能,为解决跟踪建模问题提供了新的思路和途径。本文以深度神经网络理论为基础,重点针对视频目标跟踪中存在的相关关键问题展开研究,提出了相应的解决方法。论文取得的主要研究成果如下:1.研究了视频目标跟踪中空时表征能力不足的问题。相比于传统特征,深度特征可为跟踪模型提供更为鲁棒的表征,但由于特征选择和利用方式的限制,导致空间域和时间域建模时难以有效捕捉目标的变化。为此,本文提出一种基于分层空时上下文学习网络的跟踪算法。该算法首先利用多源卷积层的细粒度和语义表征信息,辅助构建分层空间上下文先验模型,然后通过映射神经网络学习卷积特征和训练置信度图之间的动态变换关系,最后利用训练置信度指数实现跟踪网络的自适应更新,增强了空间域和时间域建模能力。实验结果表明,分层空时上下文学习网络有效提升了算法在复杂未知跟踪场景中的泛化能力,提高了跟踪性能。2.研究了视频目标跟踪中深度特征编码能力不足的问题。卷积神经网络一般在跟踪模型中将标量特征当作基本的特征单元,忽略了特征的聚合效应,导致单一的编码维度难以获得足够的局部区域表征信息,并且使得标量分类单元学习到的特征转移关系极为有限。为此,本文提出一种基于双注意力胶囊网络的跟踪算法。该算法利用胶囊聚合网络将位置感知的标量化深度卷积特征聚合为向量化的胶囊特征,同时通过胶囊组注意力机制和胶囊惩罚注意力机制,实现了胶囊实体内外表征的区分性学习,有效提高了网络基本单元的编码能力。实验结果表明,双注意力胶囊网络较为鲁棒,相比于现有的跟踪网络,能够更好的处理空域刚性目标的跟踪问题。此外,该网络同样可用于解决目标检测、行为识别和图像分割等任务中的特征编码问题。3.研究了视频目标跟踪中长时建模能力不足的问题。在长时跟踪任务中,由于迁移学习模型对类内目标干扰不敏感,容易导致跟踪漂移,而孪生模型可针对任意类型的目标,具有捕获目标长期变化的能力。为此,本文提出一种基于动态加权预测网络的跟踪算法。该算法通过动态加权网络衡量互相关响应图中不同预测偏好的差异,利用残差动态映射来辅助标准动态加权,并以加权网络为基础,引入一种考虑全局视野的在线金字塔重检测机制,缓解了目标持续跟踪中的漂移问题。实验结果表明,动态加权预测网络能够提高算法在复杂长时场景中的跟踪精度和稳定性。4.研究了视频目标跟踪中网络结构冗余的问题。目前大多数跟踪算法都利用较为复杂的大型网络构建特征模型,导致硬件资源耗费较多,跟踪效率降低,难以部署在移动端。为此,本文提出一种基于轻量多级融合网络的跟踪算法。该算法首先通过降低网络参数量、浮点运算量和内存访问开销构建轻量模型,然后通过通道乱序和神经架构搜索构建多级融合模型,最后通过扩展已构建的模型,得到高效的融合式轻量跟踪网络。实验结果表明,轻量多级融合网络能够较好地平衡网络复杂度和跟踪性能,为跟踪网络在移动端小型化系统中的应用提供了技术途径。本文的研究内容和创新方法为解决复杂环境下视频目标的高性能跟踪提供了理论和方法支撑,也为实现检测-跟踪-识别一体化提供了良好的技术基础。