随着计算机视觉技术的不断进步,目标跟踪技术飞速进步,但在目标跟踪过程中,背景干扰、遮挡、低分辨率和目标形态变化等因素都会对跟踪结果带来严重影响,因此,对目标跟踪算法的研究具有重要现实意义。目前已经研究出许多基于卷积神经网络（CNN）的跟踪器,多域卷积神经网络（MDNet）是一种CNN架构的在线跟踪算法。但跟踪目标多为小目标,特征提取本就存在一定困难,在面对遮挡、低分辨率和快速移动挑战,MDNet无法提取高质量特征表达;网络学习所有通道信息,包含较多无用背景特征;MDNet采用传统卷积方式,缺乏处理几何变换的应变机制,面对背景杂乱、尺度变化、比例变换、旋转和纵横比等问题时,网络健壮性较差。本文针对MDNet的这三点问题进行研究,并提出新的基于MD Net的跟踪算法,主要研究内容及贡献概括如下:（1）针对卷积操作造成的信息丢失问题,提出结合空洞卷积的目标跟踪算法ac-MD。为了完善细节信息,充分提取目标特征,本文设计移除最大池化层,并使用扩张卷积增大特征图感受野,从而完善传统CNN网络特征提取过程。（2）针对网络缺乏处理几何变换中间机制问题,提出融合结合高效通道注意力机制和可变形卷积的目标跟踪算法CAMDNet。为了提升网络对目标的关注度,引入高效通道注意力机制进行特征筛选,并设计引入可变形卷积,在学习各像素点偏移信息的同时并加入调制机制,在提高跟踪精度的同时避免带来大量计算成本,加强网络对几何形变的建模能力。（3）针对网络对目标表达的表达能力不足问题,提出融合高效通道注意力机制和空洞卷积的目标跟踪算法AE-MD。MDNet将跟踪问题简化为二分类问题,但在学习过程中包含较多无用的背景信息,为了加强网络对目标的表达能力,本文设计引入高效通道注意力机制和空洞卷积,使网络聚焦目标所在通道信息的同时丰富目标特征表达,以此提升模型特征表达能力,加强跟踪网络对目标和背景的判别能力。