视频目标跟踪在近几年的学术研究中一直是热门研究方向之一,目的是实现对某一确定物体的持续定位。视频目标跟踪是一种自动化的视频分析技术,因此常被用于场地的安全监控、道路的监管视察、医学的影像诊断等。目前,常见的视频目标跟踪方法已经满足目标跟踪的一般要求,但这些视频目标跟踪方法的鲁棒性依然有待提高,如无法较好地解决相似背景问题、物体尺度变化问题等。因此,本文对基于多重网络的视频目标跟踪方法进行研究,其中主要贡献如下:1)针对跟踪中单一目标的场景,给出一种基于多重网络的视频单目标跟踪方法MNTT。为解决基于全卷积孪生网络的视频目标跟踪方法存在的特征噪声过多与特征单一问题,MNTT加入二阶注意力帮助增强与物体相关性较强的特征通道的权重,降低噪声对于物体通用特征的影响。同时引入语义子网,构建具有多重网络结构的特征提取网络,其包含外观子网和语义子网,可得到对物体更鲁棒的特征信息。此外,设计获取物体通用特征的特征融合方法,方便后续的跟踪;2)对MNTT方法进行改进,给出一种基于语义的在线自适应视频单目标跟踪方法SOAT。为解决MNTT中存在的语义信息干扰问题与进一步提升其鲁棒性,SOAT引入语义判断模块和在线更新策略。语义判断模块可对语义信息的有效性进行判断,同时采用在线更新策略实现对物体通用特征的更新,从而提升模型整体的跟踪性能。通过大量实验对MNTT方法和SOAT方法进行验证,表明MNTT方法可在满足跟踪实时性的条件下,进一步提升跟踪的整体性能。且在多个公开数据测试集的实验表明,MNTT可以达到目前主流视频目标跟踪方法中的先进水平。同时改进后的SOAT方法在应对某些场景时,如遮挡、物体尺度变化等,相比于MNTT方法又具有一定的性能提升。最后,本文设计并实现基于多重网络的视频单目标跟踪系统,可用于单个视频序列的在线跟踪。同时给出了系统的整体处理流程,并通过一些实验验证该视频单目标跟踪系统的整体性能。