随着计算机、人工智能技术迅速发展,目标跟踪在计算机视觉研究领域中已取得了举足轻重的地位,在实际生活和研究中都能看到它的应用。简单来说,目标跟踪就是在给定的视频序列中,获得目标的运动轨迹,并定位跟踪到目标,通过前一帧的目标位置来预测下一帧中目标应该出现的位置。基于孪生网络的目标跟踪已经达到了先进的性能,但是在语义特征提取方面仍然受到限制。在本文中,通过分析了现有的深度学习网络模型,并在此基础上,提出了一种基于金字塔特征网络的骨架网络,该网络以深度神经网络为骨干,融合不同层次的特征映射。另外,提出了一种新的方法来区分正负样本,使用增加损失项来实现损失函数的自调整,学习具有相似语义的目标对象更具区分性的嵌入特征。为了提高对目标的跟踪精确度,还通过增加mask分支,提出了多特征融合的分割网络。通过大量的实验和数据分析,对提出算法的有效性和优点进行验证。主要的内容和贡献如下:（1）针对浅层网络对特征提取不足的问题,提出了一种使用Res Net50作为骨架,基于金字塔特征网络的孪生网络模型,能够在增加较少计算量的前提下融合深层网络中语义信息较强的特征图和浅层网络中语义信息较弱但空间位置信息丰富的特征图,提高了特征利用率,通过实验表明能更好的适用于小目标物体的跟踪。（2）针对RPN网络的不对称性问题,并对RPN网络进行分析,提出了一种新的基于RPN网络的深度互相关结构,来对特征图进行分类和回归操作,解决了因采用RPN网络训练的不对称性和整体性能问题。同时,提出了一项用于区分相似物体的判别实例嵌入损失函数,减小干扰物对目标的影响,与Siam RPN相比,在VOT2016上的预期平均重叠率提高了2.9%,与Da Siam RPN相比,在OTB2015上的准确率提高了5.3%。（3）针对选框的有效性问题,对现有跟踪算法进行改进,提出多特征融合的mask分割算法,能够在目标进行翻转,发生形态变化时有效跟踪到目标,提高了对目标的框定精度以及匹配和跟踪的效率。通过将多特征融合的分割算法与孪生网络架构结合,可以得到更为准确的锚框,提高跟踪效率,相比于不使用分割算法,在VOT2016上的预期平均重叠率提高了2.1%。