随着海量视频数据的出现以及人工智能的普及,目标跟踪在军事以及民用上都有了很大的应用前景,因此该技术在学术界也受到越来越多的关注。但是由于目标的先验信息较少,再加上目标本身和跟踪场景在后续帧上都可能会发生一些跟踪器难以预测的变化,目标跟踪算法在鲁棒性和准确性方面仍然有很大的改进空间。近年来,深度学习在大数据的驱动下获得了比传统手工特征更出色的特征表达能力,有很多研究人员将深度学习运用到了跟踪算法里,提升了跟踪结果。其中,全卷积孪生网络(Fully-Convolutional Siamese Networks,SiamFC)是在跟踪鲁棒性和实时性上比较均衡的端到端模型,它通过使用孪生网络,将跟踪问题转换成了在已知目标和搜索区域的特征空间求解相似性的问题。但是,该算法在光照强度突变,相似背景干扰,目标发生明显外观变化等情况下的跟踪鲁棒性会有所下降。针对SiamFC存在的问题,本文借鉴了全卷积孪生网络的跟踪框架,主要提出了改进跟踪流程和自适应调节网络两大方面的改进。在跟踪流程上的改进,主要分为三部分:(1)在训练数据中引入数据增强,使网络模型学习出更适应光照变化的特征表述。(2)定义了跟踪置信度,在置信度较高时,选择更新特征模板,从而使跟踪器可以获取到目标与背景的时序信息。(3)为了更好的区分目标和相似的背景干扰,使用了不同层卷积特征融合的策略。另一方面,由于SiamFC的卷积神经网络是基于目标检测数据集进行训练的,提取的特征过于通用,所以本文从提取更具区分度的特征出发,分别设计了基于通道域和基于空间域自适应调节网络的机制。两种机制会在跟踪不同的目标时,分别通过调整通道或空间位置的权重来调整网络提取的特征表达从而使SiamFC更好地将目标和背景区分开。在跟踪数据集上的测试结果表明在不过多地降低实时性的前提下,本文提出的改进算法可以有效提高跟踪的成功率,同时也为解决目标跟踪算法常出现的相似背景干扰,外观明显变化等问题提供了改进的理论参考。