目标跟踪技术是计算机视觉领域的研究热点之一,广泛应用于智能监控、人机交互、智能交通、视觉导航和无人驾驶等领域。近年来,随着计算机技术的飞速发展,研究人员相继提出了许多性能优异的跟踪算法。但是,在实际的跟踪过程中,如果目标受到遮挡、形变和尺度变化等因素的影响,则通常会导致目标特征提取单一、模型训练不稳定,最后导致跟踪性能下降或跟踪失败。因此,在无监督学习的基础上,本文针对目标特征提取单一、特征表达能力弱以及模型训练不稳定的问题,从损失函数、网络结构两个方面对目标跟踪方法展开研究,具体内容如下:（1）提出基于无监督学习的相似性特征度量网络的目标跟踪方法。虽然现有的目标跟踪算法取得了显著的成果,但是在跟踪过程中这些跟踪算法往往忽略了中间帧对目标跟踪器鲁棒性的影响,当跟踪目标受到遮挡、形变及尺度变化等因素的影响时,导致模型训练不稳定、跟踪性能显著降低。针对跟踪过程中目标遮挡、形变及尺度变化等因素导致模型训练不稳定、跟踪性能降低的问题,本文提出一种基于相似性特征度量网络（Similarity Feature measurement Network,SFM）的跟踪方法。SFM首先通过无监督学习方法构造闭环的跟踪过程,然后在前向和后向跟踪过程中计算对应帧之间两个响应图的均方差,最后,将均方差之和作为损失函数来训练网络。实验表明,该方法有效增强模型训练稳定性的同时,显著提高了目标跟踪器的鲁棒性,并在遮挡、形变、尺度变化等场景下取得了更好的跟踪准确性。（2）提出基于无监督学习的卷积注意力机制的目标跟踪方法。虽然现有的基于卷积神经网络的目标跟踪算法性能得到显著地提升,但在目标跟踪过程中,当目标受到遮挡、形变及尺度变化等因素的影响时,基于卷积神经网络的特征提取方法存在特征表达能力显著下降的问题。针对目标遮挡、形变及尺度变化等因素导致特征提取单一和表达能力弱的问题,本文提出一种基于卷积注意力机制网络（Convolutional Attention Mechanism Network,CAM）的跟踪方法。CAM首先在原始特征提取网络的第一层引入通道注意力机制,在空间维度上对输入特征图进行压缩,筛选出更具有意义的特征,然后,在原始特征提取网络的最后一层引入空间注意力机制,对输入特征图进行空间变换,让网络更多地注意需要关注地特征区域,最后进行归一化操作。实验表明,该网络有效增强特征表征能力的同时,显著提高了目标跟踪器的跟踪性能。