视频SAR具有全天候、全天时、高精度、实时成像的优点,拥有极高的军事应用价值。运动目标跟踪是视频SAR实施有效战地侦察亟需解决的关键问题。视频SAR图像具有背景复杂,目标表观形态变化剧烈等特点。因此,如何稳定、高效跟踪视频SAR运动目标是一项极具挑战性的课题。本文采用深度学习方法对视频SAR运动目标跟踪问题进行了深入的研究,主要工作如下:1、针对目标跟踪过程中相似干扰物问题,设计了实例感知特征提取网络。深入分析了目标跟踪模型难以有效区分相似干扰物的根本原因,在此基础上设计了实例感知特征提取网络（Instance-Aware Backbone,IB）。IB能够对同一物体的不同实例进行有效区分,可以在很大程度上避免因相似干扰物而导致跟踪器出现“漂移”现象。2、针对跟踪过程中目标形态剧变问题,提出了一种基于映射式梯度下降（Projected Gradient descent,PGD）的模板更新策略。视频SAR图像的成像特点导致运动目标表观形态变化剧烈。因此,持续使用第一帧目标作为跟踪模板是不合理的。PGD算法在跟踪过程中对模板进行有效地更新,避免了因目标形态变化而导致跟踪任务失败。3、面向视频SAR目标“端到端”跟踪的实际应用,构建了视频SAR目标跟踪模型。基于Siam RPN++跟踪框架,融合实例感知特征提取网络和映射式梯度下降的模板更新策略,构建了视频SAR目标跟踪网络。实验表明,该网络可以实现视频SAR运动目标稳定跟踪。本文在视频SAR目标跟踪数据集上进行了大量的对比实验,实验结果证明相较于基准算法,本文提出的算法能有效地提升跟踪的成功率和精确率。在视频SAR目标跟踪数据集上进行测试,使用IB的目标跟踪算法在成功率上提高了2.2%,在精确度上提高了2.1%;使用PGD模板更新策略的目标跟踪算法在成功率上提高了0.6%,在精确度上提高了0.6%。;视频SAR目标跟踪在成功率上提高了3.6%,在精确度上提高了3.1%。