视觉追踪不仅是计算机视觉领域的一项基础研究内容,而且在自动驾驶、人机交互、智能机器人系统以及智能城市系统等应用领域中都发挥关键性作用。随着深度学习研究的深入,视觉追踪研究取得了长足的进步,包括在多个公开测试集上取得的惊人成绩。尽管基于深度学习的线下模型在追踪精度和速度方面都取得了成功,但是当线下模型在追踪过程中遇到训练数据集中没有出现过的目标时极有可能以失败告终。引进实时更新的线上模型,在追踪阶段获取目标的状态信息,是弥补线下模型上述不足的重要方法。如何能使线上模型和线下模型优势互补,对提升追踪算法的精确率和成功率至关重要。首先,在SiamFC模型基础上引进局部匹配机制,弥补SiamFC模型全局匹配的不足,并通过端到端的方式完成线下模型的训练。其次,本文将岭回归方法的闭形式解嵌入深度模型中,为模型优化提供良好的初始化,得到高效的线上追踪模型。最后,通过高效的响应图融合机制将两者结合起来,获得性能更优的追踪器,称之为JONF模型。实验结果表明本文提出的JONF模型可以大大提升追踪模型的精确率和成功率。