随着计算机视觉技术的高速发展,视觉目标跟踪也成为了重要的研究领域,被广泛用于视频监控、人机交互等分析任务中。视觉目标跟踪在给定被跟踪目标初始状态信息的前提下,依靠算法模型估计出后续帧中目标的尺度、位置等状态信息,达到连续跟踪的效果。目前相关学者们已经提出了各类优秀的算法,但是在现实的跟踪环境中仍然存在着许多干扰因素,使得准确有效地进行目标跟踪变得更加困难。本文将目标跟踪中存在的问题作为算法研究的出发点,并对其进行深入研究分析。主要有以下的研究内容:（1）为了解决传统算法不能较好提取特征和泛化能力较差的问题,提出了一种基于卷积神经网络的相似性度量的目标跟踪算法。首先分析卷积网络的层数和不同层特征对于目标特征提取的影响,设计一种适用于跟踪任务中图像特征提取的卷积神经网络,构造了用于跟踪和定位的相似性度量目标跟踪框架,在框架上初始帧生成了多模板,提高匹配效果。此外,在匹配计算的基础上引入了回归模块,进一步提高了算法的跟踪效果。通过在OTB2015数据集上的实验对比验证,算法的鲁棒性得到显著增强,在多种跟踪场景下跟踪效果也得到了提高。（2）为了解决相似性度量目标跟踪算法存在的误匹配和未有效利用历史帧问题,提出了一种判别式的目标跟踪算法。该算法根据卷积网络提取特征的特点,构造出一种基于卷积神经网络的空间和通道注意力机制目标分类决策跟踪框架,该框架包含空间和通道注意力模块,可以有效抑制背景干扰,提取鉴别性特征,提高了算法模型提取特征的能力。在跟踪时,判别式模块中有机整合了目标的长期跟踪与短期跟踪模块,有效利用跟踪过程中的历史数据。此外,在框架中还使用回归模块来进一步提高了算法的跟踪效果。经过在OTB2015实验数据集上的对比验证,算法在各种跟踪场景下的目标跟踪准确度都能明显提高。