随着计算机硬件水平的提高和深度学习的发展,使得计算机视觉技术得到了极大的发展。基于视觉的目标跟踪是计算机视觉领域一个重要的研究方向,在服务业,工业和特种行业等多个领域都有着极大的需求。其中一种应用场景就是在自然场景下,移动机器人跟踪任务开始时,随意指定跟踪目标对目标进行非接触式的长时间跟踪。针对该场景分析,其难度在于需要对不同的目标,在外界环境变化的情况下实现长时间的稳定跟踪。现有的目标跟踪算法大都是适用于短时跟踪,在目标发生尺寸变化,背景干扰等情况下,难以达到理想的跟踪效果。基于此,本文提出了将目标跟踪和目标检测结合共同完成目标跟踪的方法。该方法抗干扰能力增强,在目标发生形变,小部分遮挡,光影变化等情况下仍然可以实现稳定跟踪,同时不会产生累积误差,更加适合进行长时间的目标跟踪。本文主要工作和创新性研究成果如下:（1）改进SiameseFC目标跟踪算法,对目标位置进行预测、更好地对快速移动的目标定位,同时设计更加灵活的模型更新策略,当目标可能发生遮挡或者发生较大变化时,减少模板的更新。（2）引入目标检测算法,针对于移动机器视觉跟踪的场景,基于yolo v3框架对目标检测模型进行重训练,同时将相似类别融合,减少分类数量。（3）融合目标跟踪结果与目标检测结果,提出了一种目标位置较正重定位机制。该机制结合了目标跟踪算法的高实时性和上下文环境信息利用能力与目标检测算法的分类定位能力,得到了一种更加鲁棒的跟踪方法。（4）建立相机模型,并对相机进行标定。通过该相机模型与跟踪算法得到目标与机器人的距离和方位。使用经过卡尔曼滤波的距离和方位数据在移动机器人平台上完成对目标的自主跟随任务。