目标跟踪作为计算机视觉的一个重要分支,在众多领域中发挥着重要作用,其中包括:视频监控、无人机视觉导航、自动驾驶、医学成像、军事制导等。目标跟踪的主要任务是训练获得一个跟踪器,在给定视频第一帧图像中待跟踪目标的位置的情况下,通过跟踪器准确地预测出该目标在后续帧图像中的位置。随着人工智能浪潮的兴起,越来越多的国内外学者投身于目标跟踪领域,大量能够完成目标跟踪任务的算法被提出,但是由于存在背景相似干扰、形变、光照变化、尺度变化、运动模糊、遮挡等问题,准确地完成目标跟踪任务仍然面临巨大挑战。本文对基于孪生网络的目标跟踪算法进行研究,主要成果有:（1）提出一种基于自适应更新的孪生特征网络目标跟踪方法。针对所选用的骨干网络主要适用于目标分类任务的问题,构建目标感知模型,利用目标损失函数和尺度损失函数优化模型参数,根据反向传播时的梯度决定特征图中每个通道的重要性,从而筛选出适用于目标跟踪任务的典型性特征;针对目标可能发生尺度变化等问题,引入自适应更新模型,通过视频序列当前帧图像的深度特征与模板特征的相似程度指导孪生网络模板的更新,提高了算法应对目标发生尺度变化等问题的能力,使得跟踪结果更加稳定和准确。实验中将该算法移植到嵌入式系统,也获得了较为准确的跟踪结果。（2）提出一种基于下残差交叉特征的孪生网络目标跟踪方法。针对骨干网络深度较浅的问题,构建由下残差模型组成的骨干网络,利用裁切等方式缓解卷积层中零填充操作对网络平移不变性的影响,增加骨干网络的深度以提高模型对特征的表达能力,同时限制骨干网络的总步长,减小感受野过大对跟踪准确度的影响;针对待跟踪目标的匹配问题,融入交叉特征模型,利用三个不同尺度的卷积核获取目标的交叉特征,使得模型能够获取不同尺度目标的深度特征,从而提高模型的匹配能力,提升模型的跟踪效果。（3）提出一种基于特征融合评估的孪生网络目标跟踪算法。针对特征提取网络不同层次特征包含不同信息的问题,引入特征融合模型,将获取的低层特征与高层特征进行融合,使得融合后的特征同时包含低层信息和高层的语义信息,让模型能够适应更广泛的跟踪场景;针对预设锚会对跟踪结果产生影响的问题,构建特征评估模型,将目标跟踪任务看作回归任务和分类任务的结合,分类任务将输入图像中的目标区域看作正样本,背景区域看作负样本,回归任务在分类为正的位置直接回归目标的矩形框,避免先验信息对跟踪结果的影响,并且通过得分评估机制筛选掉得分较低的矩形框,从而提高跟踪精度。