视觉目标跟踪经常被应用于无人机、视频安防、智慧城市等领域,其任务是给定初始帧中待跟踪目标物体的信息,在后续视频帧中预测目标的实际位置和尺寸大小。在复杂背景环境下既保证跟踪精度又保证跟踪速度是视觉目标跟踪任务的难点。本文以深度孪生网络结构为基础,针对当前视觉目标跟踪算法中存在的难点问题展开研究,具体研究成果如下所述:（1）通常卷积网络提取到的特征包含低层、中层和高层抽象信息。许多孪生网络类跟踪算法在进行互相关操作时,仅利用卷积网络最后一层提取到的特征计算分数响应图,未有效利用网络提取到的目标各层次特征。针对以上问题,基于孪生网络框架提出多特征融合的目标跟踪算法。首先,利用主干网络提取目标各层次特征。然后,通过多特征融合模块对网络浅层和深层特征进行融合。最后,分别利用融合后的特征和卷积网络最后一层提取到的特征获取两个阶段中的分数响应图,并将两阶段分数响应图进行融合获取目标在响应图中的位置。（2）预训练网络带来的冗余通道以及待跟踪目标周围相似性干扰物体可以导致网络提取的特征不能完全适用于待跟踪目标物体。针对以上问题,在深度孪生网络框架下,提出梯度导向的通道选择目标跟踪算法。首先,在预训练网络后面嵌入梯度导向模块,以选择对当前目标而言表达能力较强的特征通道。然后,利用开关-惩罚函数抑制相似性干扰物体。最后,在孪生网络模板分支和搜索分支部分,利用逐通道互相关操作获取加权后的分数响应图,以使定位更加准确。（3）在视频序列中,待跟踪目标物体尺寸、形状等外观信息随着时间推移往往会发生很大变化。如果在后续视频帧中仅利用初始帧信息建立目标外观模型,则跟踪算法不能捕捉到目标外观发生变化时的信息,在跟踪过程中跟踪精度和准确度将受到影响。针对以上问题,提出一种融合目标时序信息的跟踪算法,该算法对目标历史帧信息进行建模。首先,将目标初始模板特征、当前帧模板特征和上一帧融合的模板特征输入时序融合模块,该模块将目标历史帧信息和当前帧信息进行融合作为下一帧特征输入跟踪算法中。其次,为了防止目标漂移对时序融合产生负面影响,建立目标历史模板仓库,跟踪时根据模板相似度修正目标模板。