视频目标跟踪在计算机视觉领域一直备受瞩目，目前在精确制导和无人驾驶等领域都有着广泛的应用。随着民航业的迅速发展，智能视频监控也日益成为机场安全保障的重要辅助手段。监控视频中目标往往会遇到遮挡、尺度变化和光照变化等因素的干扰，目标运动的姿态以及速度也经常会发生变化。传统跟踪算法只注重目标的表观特征没有考虑到目标深层的结构和几何布局，对目标描述有所不足，在复杂的跟踪情况中往往导致跟踪失败。随着近些年深度学习的快速发展，其在目标跟踪领域也得到成功的应用。本文针对深度网络层次结构复杂，需要大量离线训练，从而无法实现在线更新的不足，对深度网络的结构进行了重点研究，利用视频帧间的相关性简化深度网络结构，实现在线特征提取，并完善在线跟踪策略，以期达到自适应的鲁棒跟踪。本文主要研究内容如下：
　　通过研究基于有监督的卷积神经网络的跟踪发现，有监督方式的卷积神经网络(CNN)结构在处理图像方面更有优势，这依赖于它独特的网络结构：卷积层、池化层、全连接层。卷积层，池化层交替连接的结构使得提取的特征极具鲁棒性，这也使得卷积神经网络在目标跟踪领域更有发展的前景，因此本文以CNN网络结构为基础，对基于深度学习的目标跟踪算法展开研究。
　　针对现有CNN网络层次结构复杂，需要复杂耗时离线训练的不足，采用视频序列帧间相关性，研究了一种简化的浅层卷积特征学习网络，从而实现在线跟踪。该网络利用第一帧中的目标信息和相邻帧的背景信息生成适合当前跟踪视频帧的卷积滤波器，并利用稀疏表示策略简化特征表达。通过简单的双层卷积网络，学习适合跟踪视频的特征，实现在线跟踪。实验表明该网络结构提取的特征对尺度变化，背景杂波，轻度遮挡等跟踪问题具有较好的性能；但对快速运动，光照变化，重度遮挡，可能会导致跟踪失败。
　　针对无训练卷积网络无法在严重遮挡，光照变化，以及快速运动等情况下实现鲁棒跟踪的问题，在卷积特征的基础上融入了颜色特征增强目标表观表达能力，并在跟踪策略中引入运动信息以期实现候选样本能够根据目标的状态趋势实现自适应分布，从而提升跟踪的鲁棒性。实验表明优化后的算法在跟踪有效性和成功率方面均得到了一定的提升。
　　最后，在MATLAB平台对本文研究算法进行了仿真实现，验证了本论文所研究的目标跟踪算法的有效性和实用性。