基于视频的单目标跟踪作为计算机视觉研究领域中的基础性研究一直广受关注。通过提取视频初始帧提供的目标信息及其周围的背景信息,目标跟踪算法对后续帧中目标可能出现的区域进行预测。单目标跟踪的应用价值在多个领域都有充分体现。因此,继续对单目标跟踪算法进行深入研究依然十分重要。由于卷积神经网络在计算机视觉领域中的优越表现,现在主流的单目标跟踪算法的研究大都基于卷积神经网络进行方法设计。然而,基于卷积神经网络的单目标跟踪算法存在运行速度慢,对目标响应不敏感且对目标位置的定位缺乏准确性的问题。针对以上问题,进行了以下工作:（1）提出超像素优化孪生网络跟踪方法在对现行的基于孪生网络跟踪方法进行充分分析的基础上,提出采用超像素分割算法对单目标跟踪算法进行优化。对常用超像素分割算法进行性能对比,确定适合单目标跟踪任务的超像素分割算法。利用超像素分割算法的结果明确图像中含有语义信息的物体边界,使孪生网络跟踪方法实现更加稳定的跟踪。最后利用单目标跟踪算法研究中的常用数据集进行实验,对优化前后的单目标跟踪方法在准确率和鲁棒性上进行对比,结果表明优化方法鲁棒性更强。（2）提出超像素分割网络的端到端跟踪方法因超像素分割算法是迭代式的聚类算法,对于尺寸十分敏感,跟踪目标的尺寸对跟踪方法的运行速度影响大。因此提出超像素分割网络的孪生网络跟踪方法,在少量增加可训练参数和计算量的情况下实现基于孪生网络的单目标端到端跟踪方法。在单目标跟踪方法研究中的常用数据集上进行实验,与使用超像素分割算法进行优化的单目标跟踪方法进行准确率等指标的对比,实验结果表明本方法的准确率更高。（3）提出注意力机制的孪生网络跟踪方法通过引入注意力机制和多尺度的空洞空间金字塔池化方法,设计基于孪生网络框架的单目标跟踪算法。通过空洞深度可分离卷积组成的多尺度空洞空间金字塔池化方法进行特征的有效提取,实现多尺度空间信息的利用。利用注意力机制使卷积神经网络对跟踪目标进行充分响应,使跟踪结果具有更好的准确性。最后在单目标跟踪算法研究中常用的数据集上进行实验,对比结合注意力机制的孪生网络跟踪方法和常用单目标跟踪方法的各项指标。结果表明本方法的跟踪结果更加精确,稳定性更高。