作为计算机视觉中重要且富有挑战的任务之一,目标跟踪在目标打击、医疗诊断、虚拟现实等领域都有重要的应用价值。近年来,随着孪生网络思想的引入,目标跟踪迎来了前所未有的发展。但当目标出现在复杂场景时,该类算法的跟踪性能仍然不够理想。本文主要针对现有孪生网络跟踪算法在相似干扰、物体形变、尺度变化等复杂场景下表现不佳的问题进行了分析和研究,并提出了两种新的跟踪算法,主要成果如下:（1）针对SiamFC算法特征提取能力弱以及未使用模板更新的问题,提出了一种基于模板更新和残差注意力的深度孪生网络跟踪算法。该算法利用一种改进结构的深层Res Net-34替代Alex Net以提取更多的语义特征。同时在Res Net-34的每个残差块中嵌入ECA模块,通过考虑卷积特征相邻通道之间的关系,学习到一个针对通道的注意力权重,增加网络对通道特征的敏感性,从而提升网络的性能。此外,还引入了高效的模板更新策略进行模板更新,有利于应对目标外观变化带来的影响。实验结果表明,相较于基准算法Siam FC,本算法在复杂场景下具有更好的跟踪性能。（2）为了更好地应对尺度变化问题,提出了一种基于多特征融合的无锚框孪生网络跟踪算法。该算法以逐像素的方式预测目标框,不但避免了与锚框相关的超参设置和复杂计算,而且能提高对尺度变化的适应能力。此外,选择对骨干网络的最后三层输出特征进行自适应融合,融合后的特征为后续预测网络提供了更多的语义信息和细节信息,进一步提升算法的跟踪性能。实验结果表明,相较于基准算法Siam RPN,本算法取得了更好的跟踪性能,且可以更好地应对尺度变化问题。