目标追踪作为计算机视觉的热门研究方向之一,在自动驾驶、智能监控等领域发挥着不可替代的作用。由于目标跟踪技术的应用领域广泛,应用场景复杂,来自不同领域的学者们提出了各种目标跟踪算法,其中基于全卷积孪生网络的目标跟踪算法Siam FC（FullyConvolutional Siamese Networks for Object Tracking）由于追踪速度优异,自提出以来一直被广大研究者关注。然而该算法存在跟踪成功率偏低、特征判别能力不足等问题,为提升算法对目标判别和定位的能力,本文对其特征提取部分进行改进,具体如下:针对Siam FC算法主干网络提取的特征判别能力不足问题,本文对该算法的基础网络进行改进,提出基于轻量级网络Shuffle Net的孪生网络目标跟踪算法SF＿Siam（Shuffle Net＿based Siamese）。为了消除网络填充对孪生网络目标跟踪算法的影响,本文设计了一种裁剪式无填充残差单元替换Shuffle Net原本的单元,并根据网络的总体步长和输出特征的尺寸,重新调整了Shuffle Net的网络结构。在数据集OTB（Object Tracking Benchmark）和VOT（Visual Object Tracking）中测试的结果证明,SF＿Siam算法能有效提升特征的判别能力。为了进一步提升SF＿Siam算法的跟踪成功率和跟踪精度,本文提出了基于三分支孪生网络目标跟踪算法CSAD＿Siam,保留了SF＿Siam算法特征提取网络的优点,同时加入通道空间注意力模块和形变注意力模块以提高特征的表达能力。在通道空间注意力模块,加入通道注意力机制（Channel Attention）和空间注意力机制（Spatial Attenton）,对不同的特征通道和特征空间区域重新分配权重,使有利于目标跟踪的信息得到更多的关注。在形变注意力模块,将底层和高层的卷积层输出特征进行融合,以获得更丰富的特征信息,同时,加入可变形注意力机制,增强模型处理目标几何变换的能力。实验证明本文提出的目标跟踪算法CSAD＿Siam能有效融合各个模块的优势,提升算法跟踪的精度和成功率。