尽管近几年来视觉目标跟踪技术已经取得了很大进步,但仍缺少高性能的跟踪器。其中,主要问题是大多数的跟踪器利用浅层纹理特征,并未充分利用高级语义特征,而这部分特征对提升跟踪性能起到关键作用。为此,本文主要研究基于注意力增强语义特征的相关跟踪算法。主要贡献概括为如下两点:(1)尽管相关滤波跟踪取得了较好的效果,但是,针对复杂视频场景中目标平面外旋转及背景混乱等挑战跟踪器表现不佳。为此,在注意力机制基础上,本文提出了分层响应融合网络。首先,通过注意力机制的分层卷积来得到更鲁棒的浅层纹理特征和深层语义特征。其次,将该特征分别嵌入到相关滤波器中,用深层语义特征学习的模板来弥补浅层纹理特征学习模板判别能力的不足。在此基础上,网络自适应搜索响应图权重参数使得融合后响应图峰值最大化,从而学习到更加鲁棒的跟踪器。实验结果显示:该算法在OTB2013和OTB2015数据集上表现出色的效果,与基准算法相比,性能得到大幅提升。(2)以上方法学习多层滤波模板,虽然取得较好结果,但是不能达到实时,且在遮挡和运动模糊的情况下易发生跟踪漂移。为此,本文进一步设计了一种端到端的增强语义与多注意机制学习深度相关滤波网络结构。首先,增强语义是由EDNet(EncoderDecoder Network)网络得到高级语义特征来弥补单独低级特征表示的不足。其次,本文加入的通道和空间残差注意机制,使网络对不同的跟踪对象提取出更有针对性的表观信息。最后,通过添加相关滤波层,并输出响应图中最大值来推测出跟踪目标位置。经过OTB2013和OTB2015基准测试集的大量评估,实验结果表明:该算法比最先进的跟踪器更加鲁棒,且性能具有竞争力。