红外行人跟踪在夜间自动驾驶和军事侦察等领域具有重要意义。红外视频与普通彩色视频相比易受周围环境的影响,目标的纹理特征和灰度分布常有较大幅度变化,进而导致跟踪困难,为此论文深入研究孪生网络,并将其用于红外行人目标跟踪。论文深入分析了现有的目标跟踪算法,基于传统算法的跟踪效果较好的往往仅体现在几种属性上,基于深度学习的目标跟踪算法在跟踪成功率和跟踪精度上表现出了突出优势。论文将基于孪生网络的跟踪算法Siam RPN用于红外行人跟踪,并进行了深入研究,经仿真分析,在视频出现相似热源目标交叉、目标尺寸有较大变化和视频中含有较多背景杂波等影响红外跟踪效果的因素出现时,算法表现出了较差的跟踪性能,这些因素均是红外行人跟踪视频的常见属性。针对存在的问题,论文提出了一种基于视频预测和孪生网络的红外行人跟踪方法(Video Prediction with Siamese Region Proposal Network,VPSiam RPN)。提出的跟踪方法将视频预测网络(Predictive Neural Network,Pred Net)与Siam RPN相结合。预测网络可以通过多帧过去帧目标图像预判当前帧的目标特征,将预测网络输出的图像,做为目标跟踪模版,以提高跟踪模板与被检测目标的相似度,增强目标跟踪中的模型匹配能力,从而提高对红外行人目标的跟踪能力。论文通过改变网络层数、预测所用的目标图像及图像帧数、网络的跟踪策略,设计了九种不同网络结构,并通过对比试验,选出了性能最佳的网络结构。在PTB-TIR数据集上,与包括Siam RPN的八种主流的目标跟踪算法进行了客观对比,通过跟踪的成功率和精度在九种属性上对这些算法进行评估。实验结果表明:论文提出的网络在强度变化、遮挡和背景杂波等多种属性上的跟踪成功率和精度均较其它网络有较大提高,显示出对红外行人跟踪的良好性能,在这一领域将有广阔的应用前景。