单目标跟踪作为视觉目标跟踪领域的基础分支,涌现了一批基于深度学习的跟踪模型,其中基于深度孪生神经网络的单目标跟踪模型在跟踪鲁棒性和实时性两方面达到了良好的平衡,成为影响最广泛的单目标跟踪模型。为了满足实时跟踪的需求,此类跟踪模型根据视频初始目标外观初始化模型参数,在跟踪过程中模型参数保持固定。然而视频后续帧的目标外观相比于初始目标外观一般会发生显著变化,若跟踪模型不进行参数更新,将无法学习到后续目标外观的特征,严重影响跟踪性能。针对该问题,跟踪模型需要在跟踪过程中在线更新模型参数,学习后续的目标外观特征。历史跟踪结果中包含了目标的外观信息,可以作为在线更新跟踪模型的样本。本文研究如何利用历史跟踪结果在线更新跟踪模型参数,主要研究工作有:（1）基于图像位置注意力机制与记忆网络的目标跟踪模型。Mem Track利用写控制器将历史跟踪结果保存在记忆网络中,并通过读控制器从记忆网络中读取跟踪结果,在线更新跟踪模型。针对Mem Track训练难以收敛,记忆网络的读写信号生成较混乱的问题,提出了基于图像位置注意力机制的记忆网络读取模块,以及基于混合高斯模型的记忆网络写入模块,使读写信号的生成与当前帧的特征高度相关,同时将记忆读写模块解耦,降低了跟踪模型的训练难度。最后,在改进的记忆网络读写模块基础上设计了基于图像位置注意力机制与记忆网络的单目标跟踪模型Attn-Mem Track,在OTB100数据集上相比于Mem Track跟踪准确率提升1.4%,跟踪成功率提升1.9%。（2）基于小样本学习与记忆网络的目标跟踪模型。随着当前帧与初始帧的时间间隔增加,历史跟踪结果中的目标不能保证在中心区域,即发生跟踪不对齐,导致Attn-Mem Track的写入操作向记忆模块引入噪声,对目标特征的表达能力下降。此时,通过读取记忆模块对跟踪模型进行更新不足以使Attn-Mem Track完全地学习目标的外观变化。针对历史跟踪结果中目标不对齐的问题,提出了基于编码器-解码器的跟踪结果特征重构网络,编码器通过膨胀卷积操作使输出特征中心包含跟踪结果的全局信息,解码器根据编码器的输出重构目标特征,在基于感知损失和三元组损失的目标函数监督下,确保重构的特征在中心区域,且与实际目标相似。针对特征重构网络训练样本少,在线微调收敛速度慢,以及无法实时重构的问题,利用小样本学习中的片段训练机制训练该网络。通过离线构建大量与特征重构任务相似的任务训练特征重构网络,使网络学习如何重构多类目标。同时在跟踪过程中固定网络参数,实时重构目标特征。在此基础上,将基于小样本学习的特征重构网络与Attn-Mem Track相结合,提出了基于小样本学习与记忆网络的目标跟踪模型Attn-Mem Track-FSR。在OTB100数据集上,该模型相比于Attn-Mem Track跟踪准确率提升4.7%,跟踪成功率提升2.9%,提升了跟踪模型的鲁棒性。