视频序列中运动目标的跟踪是一个兼具应用价值和理论意义的课题,一直被众多研究者关注。近年来,目标跟踪领域出现了迅速的发展,优秀的方法不断涌现,基于孪生网络的跟踪方法就是其中之一。基于孪生网络的跟踪算法是一种利用特征相似度度量进行目标跟踪的方法,它成功的将离线训练带入目标跟踪领域,获得较高的跟踪速度。其中,区域推荐孪生网络算法（SiamRPN）取得了跟踪精度上的突破,因而成为研究的热点。本文的研究基于SiamRPN,主要的创新工作如下:第一,针对区域推荐孪生网络易受相似背景干扰,跟踪鲁棒性不高的问题,深入分析了区域推荐孪生网络,并且提出了针对性的改进方案。本文首先将区域推荐孪生网络划分为特征提取子网络和特征匹配子网络,然后对这两个部分分别进行了改进。对于特征提取子网络,为增强其输出特征的判别能力,利用改进的特征融合和通道注意力机制设计了一个特征增强模块作为特征提取子网络的补充部分。对于特征匹配子网络,为了消除它对额外超参数的依赖,提高状态预测的准确性,本文采用了对称的特征匹配分支,并加入了独立的状态预测模块和状态自校正环节。为了验证改进的效果,本文在VOT2018和OTB100数据集上对改进前后的区域推荐孪生网络进行了性能测试。实验结果发现,改进的区域推荐孪生网络可以在保持较高跟踪精度的基础上提升跟踪的鲁棒性。第二,针对跟踪目标快速运动、目标特征迅速变化的跟踪场景,从增强算法对特征变化的感知能力入手,提出了融合离线学习和在线学习的改进方案。本文首先基于在线学习方法,利用相关滤波器设计了一个在线更新的在线跟踪模块,并在其中加入了基于主成分分析的特征压缩模块和基于联合注意力的特征增强模块。针对训练样本不足的难点,本文对在线跟踪模块的模型初始化训练阶段和模型更新训练阶段分别采用了深度特征增广和权重样本池两个数据扩充方法。基于集成学习的思想,最终的改进算法通过融合改进的离线孪生网络和在线跟踪模块获得。改进后的融合算法在VOT2018和OTB100两个数据集上进行了评估,并且针对复杂运动场景进行了可视化分析。实验结果表明,融合在线跟踪模块以后,跟踪算法的鲁棒性有了明显的提升,能够有效应对跟踪目标的快速变化。