红外目标跟踪作为计算机视觉的一项基本任务,在智能监控、辅助驾驶和红外制导等领域发挥着重要的作用。在实际应用中,红外目标易受到形变、背景干扰以及遮挡等因素的影响,使得红外目标的稳定跟踪成为一项极具挑战的任务。为了增强红外目标跟踪的鲁棒性,本文以孪生网络为基本跟踪框架,从模型训练、特征融合以及遮挡预测三个方面进行研究,具体内容如下:（1）在有限的训练资源下,使用CIOU（Complete Intersection over Union）对孪生网络跟踪算法的训练策略进行改进。一方面,使用CIOU对正负样本的划分方式进行改进,将获得的高质量样本用于孪生网络跟踪模型的监督训练,以增强目标和背景的辨别能力。另一方面,通过引入CIOU回归损失训练跟踪模型,以消除Smooth＿L1损失存在的回归误差,使定位更加准确。经过实验验证,在有限的训练资源下,孪生网络跟踪算法的跟踪性能得到了有效地提升。（2）为了获取到判别性更强的红外特征,使用自适应特征融合的方式来聚合孪生网络的多层信息。首先,设计了一个自适应特征融合模块,在通道层面上自适应地融合孪生网络的多层特征。之后,对融合模块使用早期融合的放置方式,加强了特征融合能力。经过实验验证,使用所提方法对孪生网络进行特征融合,可以有效增强红外特征的判别能力。（3）针对红外目标因遮挡产生的跟踪漂移问题,将孪生网络跟踪算法与预测方法相结合,通过位置预测对遮挡目标进行跟踪。算法通过设定遮挡阈值来判别目标的遮挡状态。为了使遮挡判定更加稳健,引入注意力机制增强孪生网络跟踪的置信度得分质量。在目标被判定为遮挡时,使用卡尔曼滤波进行位置预测。经过实验验证,所提算法可以有效地处理红外目标跟踪遮挡问题。本文针对以上改进算法,在红外跟踪测试集上进行实验。实验结果表明,在不降低跟踪速度的前提下,所提算法可以有效地增强红外目标跟踪的鲁棒性。