作为计算机视觉领域的基本问题之一,视觉目标跟踪在智能监控、自动驾驶、人机交互、医疗诊断以及机器人视觉导航等诸多方面有着广泛的应用前景,因而研究视觉目标跟踪技术有着十分重大的实际意义,是众多学者研究的热点方向之一。其在过去的十几年里得到了长足的发展,尤其是近些年,基于深度学习的视觉目标跟踪方法的不断取得令人吃惊的性能提升,推动了该领域的进步。然而,由于在实际跟踪过程中各种复杂场景和挑战因素的不断出现,使得目标跟踪方法仍具有一些准确性和鲁棒性的问题。本文在孪生网络框架的基础上进行研究,提出了三个视觉目标跟踪方法,主要内容如下:（1）提出基于孪生渐进注意融合网络的目标跟踪方法。现有的大多数使用孪生网络的目标跟踪方法都是利用主干网最后一层的语义特征来计算相似度。然而,单一深度特征空间的使用往往会导致有效信息的部分丢失。为解决这一问题,本章提出了孪生渐进注意融合网络。首先,利用主干网同时提取深度和浅层特征信息。然后通过渐进聚合模块,以自顶向下的方法去编码融合深层语义信息以及浅层空间结构信息,并利用注意模块减少融合产生的特征冗余,最后使用增强的特征计算目标和搜索区域的匹配相似度以进行目标跟踪。在加入渐进聚合模块和注意力模块后,所提出的跟踪方法可以很好地提升跟踪性能。（2）提出双分支协同作用的孪生网络跟踪方法。在现有的孪生网络跟踪方法中,目标模板和搜索图像的特征都是依靠孪生网络两个分支分别进行独立计算。然而通过研究发现,孪生网络的每一个分支的信息对于另一个分支也是较为有效的。本文则在孪生网络架构的基础上设计了一个双分支协同作用机制,能够对目标模板和搜索图像之间的信息进行有效共享以及融合。此外本文还设计了多层聚合策略来编码高层语义特征和低层细节特征之间的互补信息,以增强浅层特征表示。并引入注意模块达到细化特征的目的,使得提出的跟踪方法性能有着较为明显的改善。（3）提出跨层非局部融合的孪生网络跟踪方法。多层融合策略虽然能够取得较好的跟踪结果,但是只简单直接地采用级联方式对深层特征与浅层特征进行聚合,不可避免地会带来特征冗余问题,即使之后添加了注意模块对特征进行细化增强。本文就此问题提出了基于跨层非局部融合的孪生网络跟踪方法,采用更有效的特征融合方法:跨层非局部融合方法。它可以从两种不同层次的特征表示中捕获远程依赖关系,以选择性地聚合特征。此外本章还引入了可变形模块,提高孪生网络对目标变形的建模能力,以达到增强特征表示的目的。