视频目标跟踪技术在现实生活中应用广泛。实际跟踪过程中,存在着诸多影响跟踪效果的挑战性因素,例如背景相似、快速运动、形变等。因此,本文致力于改善视频目标跟踪算法的性能,使其满足实时性的同时提高精度与鲁棒性。本文基于经典孪生网络算法Siam FC的框架基础来进行改进,主要工作如下:1、提出一种基于轻量级的Mobile Net神经网络的跟踪算法。传统的Siam FC跟踪算法采用浅层的Alex Net网络,特征表达能力不足,而VGG19等深层网络参数量巨大,使得训练困难且跟踪速率不高。本文引入轻量级Mobile Net网络作为特征提取网络,使网络在加深的同时借助深度可分离卷积减小计算量,同时对网络的最后一层的尾部结构做出调整,进一步简化模型。然后,对不同层的特征进行了深浅特征融合,将低层的位置、细节信息引入高层特征。实验表明,本文的算法对于模型的性能有一定提升,在应对快速运动场景时的表现更好,兼顾了精度和速率。2、提出一种基于设定阈值的融合模板更新策略。一般的算法在跟踪过程中始终采用第一帧作为模板,使得在目标发生形变时跟踪精度不高。本文将最终得分图的相似度值与一个设定值进行大小比较,根据比较结果作为模板更新的依据,设定值通过重复实验进行寻找。为了使模板更加精准,对模板进行背景叠加后再与当前帧融合替换。在这一更新机制下,避免了逐帧更新带来额外计算量和引入过多背景信息的弊端。实验证明,这一更新机制可以提升算法在应对形变等场景下的精度。3、提出一种基于方向和自适应感受野的融合注意力模块。传统的空间和通道注意力存在计算量大,忽略位置信息等问题,在嵌入轻量级网络时的表现不佳。因此,本文提出一种融合注意力块,并在多层网络中使用。首先,采用两种尺寸的卷积核进行特征提取,使模型具有两种感受野,并通过通道权重调整,使得特征互补。然后,采用沿方向的一维卷积核进行特征池化,再进行像素依赖计算,获得方向注意力图以激励原特征,从而使网络的计算开销小,且具有方向性的位置关系。实验证明,加入融合注意力机制块的模型在尺度变化和背景相似干扰场景下提升较明显,对模型整体性能指标也有一定提升。最后,在OTB100和VOT2018数据集上分别进行了算法对比实验,证明了本文算法的有效性,取得了比其他算法更好的精度与鲁棒性。