视觉目标跟踪是计算机视觉领域中最热门的研究课题之一,并且在智能视频监控、增强现实、自动驾驶等领域有着广泛应用。近年来,随着深度学习的发展,许多基于孪生网络的跟踪算法达到了非常优秀的性能。然而在跟踪过程中,由于目标对象发生形变、场景中的光照变化等一系列挑战,跟踪算法往往难以在精度与效率中取得平衡。因此,如何使目标跟踪器兼具高精度和高效率仍然是一个具有挑战性的问题。本文从精度和效率两个角度出发,在充分调研了国内外相关研究现状的基础上,对目标跟踪的若干问题进行了研究。论文的主要工作和创新点可以总结为三个部分:（1）提出一种相似度重加权模块。在目标对象与背景难区分情形下,之前基于孪生网络的跟踪算法所计算出的相似度矩阵区分性不足,导致难以从复杂的背景中准确定位目标位置。本文通过计算相似度矩阵中两两元素之间的相关性的方式对原相似度矩阵进行重加权,增强了相似度矩阵的区分力,有效的区分出目标对象与背景。（2）提出一种背景干扰可知的跟踪策略。以前的跟踪策略仅使用响应图中的主峰位置进行目标定位,而主峰可能对应于背景干扰物,导致容易发生目标漂移。本文通过在多个峰值处生成稀疏的候选框,联合两种分类器分数进行综合评分和排序,有效的消除了相似外观背景干扰。（3）实现一套轻量级的高性能目标跟踪系统。考虑到目标跟踪系统在实际应用中对性能和效率皆存在较高要求,本文实现了一套轻量级的跟踪系统,该系统具有参数量少,速度快,泛化能力强和精度高四项优点,满足实际应用需求。