目标跟踪技术广泛应用在安防监控、自动驾驶、军事制导等领域。当前主流的目标跟踪算法分为基于相关滤波的跟踪算法和基于孪生网络的跟踪算法两大类。相关滤波目标跟踪算法以其高效的运算速度和良好的跟踪精度备受关注,但是对于尺度变化、快速运动等情况容易造成跟踪失败;孪生网络目标跟踪算法借助表征能力强大的深度特征获得更优的跟踪精度和鲁棒性,但对于严重形变、背景复杂等情况容易跟踪失败。通过分析核相关滤波跟踪算法和孪生网络跟踪算法的优缺点,本文提出了基于孪生网络和相关滤波的分组融合目标跟踪算法。首先对视频序列进行固定帧数分组,随后在组内采用KCF算法进行快速目标跟踪,每组最后一帧利用孪生网络目标跟踪算法进一步校正,改善KCF算法面临尺度变化、目标遮挡等问题跟踪性能不佳的情况,避免错误累积导致的跟踪失败。此外本文算法还采用两种改进策略有效提高了跟踪性能:（1）提出一种线性孪生网络特征模板更新策略,使得SiamFC算法有效保留第一帧多数目标特征的基础上,引入目标外观特征变化信息,从而能更有效地应对视频目标复杂多变的情况。（2）提出一种多分辨率分段预处理策略,使得KCF算法能有效地提高对低分辨视频目标的跟踪性能,从而提高改进算法整体性能。在OTB-2013和OTB-100两个数据集上对比当前先进的目标跟踪算法,实验结果表明本文改进算法能够有效地提高目标跟踪性能。在OTB-2013数据集上本文改进算法比SiamFC、KCF算法的精确度分别提高了 4.1%和7.5%,成功率分别提高了 4.3%和10.0%。在OTB-100数据集上本文改进算法比SiamFC、KCF算法的精确度分别提高了 4.4%和10.1%,成功率分别提高了 3.5%和11.8%。特别是对于亮度变化、尺度变化、快速运动、运动模糊、平面内/外旋转及目标出视野等视频属性,本文改进算法比多种先进跟踪算法有显著的性能优势。