目标跟踪是计算机视觉中的一个基本问题,它在视频监控、人机交互等领域有着广泛的应用。虽然近几十年来,视觉跟踪技术的研究取得了显著的进展。然而,在实际应用中,由于存在快速运动、突变运动、跨视域运动等不确定运动,给目标跟踪技术的研究带来众多挑战。如何设计一种精确、鲁棒和泛化能力强的目标跟踪方法是亟待解决的关键问题。本文主要研究通过引入区域建议策略到传统目标跟踪框架中,实现不确定运动场景下目标的持续性长期跟踪。本文主要研究工作和创新点描述如下:(1)提出一种基于语义区域建议和深度相关滤波(Algorithm Based on Semantics Region Proposal and Deep Correlation Filter,CF-SR)的目标跟踪方法。首先,提出了一种基于语义评估的区域建议生成策略,包括类别级语义区域建议、单目标级语义区域建议和语义上下文区域建议,以获得一些高质量包含目标真实运动状态的候选建议。其次,结合全局稀疏语义区域建议预测和相关滤波密集预测,提出了一种混合语义目标跟踪方法,通过多响应映射的综合决策对目标位置进行评估。最后,学习和训练独立相关滤波器估计目标的尺度,以获得更高的跟踪精度。在多个视觉跟踪基准上进行了大量实验,结果表明该算法与其他经典的跟踪器相比具有很强的竞争力。(2)提出一种基于轻量级记忆网络和多视角区域建议(Algorithm Based on Light Memory Network and Multi-Perspective Region Proposal,siam LM)的目标跟踪方法。首先,提出了一种高精度的多视角区域建议生成策略,用于跟踪失败后的重检测。将常识信息作为先验信息用于区域建议的筛选,同时结合语义目标感知特征评估和空间结构特征评估,从两个互补的角度对区域建议进行排序和选择。并通过综合决策,获得少量高质量可以完全覆盖不确定运动场景下目标真实运动状态的候选建议。其次,在单层卷积神经网络上学习轻量级记忆网络。利用可靠的历史帧结果在线微调固定数量的网络参数以学习目标外形变化,进而能够有效地判断跟踪是否失败,并对目标进行准确定位。最后,将轻量级记忆网络和多视角区域建议统一到孪生网络目标跟踪框架中,以实现不确定运动场景下目标的持续性跟踪。在多个跟踪基准上的大量实验证明,所提算法取得了良好的性能。