目标跟踪是计算机视觉的一个经典和重要的研究方向,在各行各业有着广泛的应用。它的主要任务是在给定第一帧目标物体的情况下,在后续帧中连续跟踪目标的位置。目标跟踪是一个颇具挑战性的研究课题,因为它需要应对遮挡、形变和光照变化等诸多困难因素,因此多年来一直都受到了学者的广泛关注。近些年来,随着深度学习技术的发展,全卷积的孪生网络在目标跟踪领域展现出了巨大的潜力,特别是以SiamFC为代表的跟踪算法可以很好地平衡速度与精度,在取得较高跟踪精度的同时,也能满足实时性的要求。然而该算法在复杂多变的场景下的跟踪效果还不够理想,特别是在背景中出现与目标较为相似的物体时容易发生跟踪漂移现象,因此本文根据它存在的问题对算法进行了改进,提升了算法的鲁棒性和准确性。在SiamFC的基础之上,本文提出了一种基于全卷积的孪生网络和多层特征融合的算法SiamMFF。卷积神经网络中的不同层次包含了不同性质的特征,低层网络包含了细粒度的空间信息,而高层网络包含了抽象的语义信息,因此可以将网络不同层次的特征相融合来提高特征的表达能力。SiamMFF采用了多特征融合结构,将网络的第一层、第三层和第五层特征相融合,所以它提取到的特征不仅可以很好地区分不同类别的物体,也可以准确地辨别类内相似性物体,从而在较为复杂的场景下也能够实现较为稳定的跟踪。本文将SiamMFF与其他九个优秀的目标跟踪算法在OTB数据集上进行了对比实验,SiamMFF取得了较高的精确度和成功率,验证了SiamMFF具有更好的性能。为了进一步提升算法的鲁棒性和准确性,本文又提出一种基于三重网络和多层特征融合的目标跟踪算法TripMFF。该算法采用三重网络作为基本结构,将图像序列的第一帧、上一帧和当前帧作为网络输入,充分利用了整个图像序列,因此可以更好地适应目标的变化。同时网络也融合了多层特征,从而提取到了更具判别力的特征。此外,TripMFF还采用了基于APCE的响应图融合策略,通过判断响应图的置信度来对目标进行更加准确的定位。本文将TripMFF与其他一些优秀的跟踪算法在OTB和VOT数据集上进行了对比分析,TripMFF在原有算法的基础上大幅提升了算法性能,取得了领先的跟踪结果,证明了该算法的先进性。