目标跟踪是计算机视觉领域重要研究方向,跟踪器需要根据初始帧目标的状态信息,来预测后续帧中目标的状态。广泛应用于:军事、无人驾驶、智能监控、人机交互和医疗图像等领域。目标跟踪研究始终围绕特征提取,目标表观建模和跟踪策略基本问题展开。跟踪的效果很大程度上取决于对目标的特征提取部分,能否提取到应有的目标特征,将成为跟踪的关键所在。目前,深度学习可用于特征提取,常见的结构是Siamese网络模型。但是,现有的基于深度学习特征提取的跟踪方法倾向于离线训练,从单帧图片中提取目标的表观信息用于跟踪,而忽略了跟踪视频还拥有序列特征。可以利用视频序列前后的目标位置关系,用于排除复杂环境中干扰物的影响。为此,我们提出的跟踪算法采用SiamCAR网络框架,利用边际分布、递归OTSU方法用于判断当前帧的搜索窗口是否出现强干扰,如果出现强干扰,利用视频序列中目标的运动特征排除搜索窗口的干扰物,提升跟踪算法的性能。本文的主要工作内容主要包含以下两个方面:（1）提出基于SiamCAR和Kalman滤波的跟踪方法以应对目标跟踪中的相似物干扰、部分遮挡和尺度变化带来的目标丢失的问题。在SiamCAR的框架下,利用特征图边际分布来判断是否存在较强的干扰物。若出现强干扰,则由Kalman滤波器预测值所构成的运动矢量作为目标预测依据。实验表明引入运动特征的SiamCAR,在相似物干扰、部分遮挡、快速运动、小目标跟踪的视频中表现较好。（2）提出基于SiamCAR和LSTM的跟踪方法。在SiamCAR的框架下,利用递归OTSU求目标响应特征图的极值点,来判断是否存在较强的干扰物;若出现强干扰,然后由LSTM预测的目标位置所构成的运动矢量作为判断目标的依据。实验显示改进后的SiamCAR跟踪性能有较大改善。在LaSOT数据集上与未改进SiamCAR及其他优秀算法进行比较,精度有所提高。