近些年,随着计算机技术的发展和互联网的普及,通过多媒体设备传输视频图像进行信息交流越来越方便,所以计算机视觉拥有着越来越重要的地位,其中视觉跟踪技术是计算机视觉的一个重要研究方向。视觉跟踪算法的基本原理是根据视频序列中第一帧图像给出的目标信息提取目标特征,在后续视频帧中,根据所提取的特征准确定位目标对象。在传统的视觉跟踪算法中需要手动地提取目标特征,这样的跟踪算法鲁棒性差,在目标发生形变、遮挡等情况下容易发生漂移。近些年深度学习广泛应用于图像处理并取得卓越成绩,国内外学者也提出了很多先进的基于深度学习的视觉跟踪算法。由于基于深度学习的视觉跟踪算法能够提取图像的丰富特征、鲁棒性强,在跟踪性能上远远超过传统的跟踪算法。本文深入研究目前基于深度学习的视觉跟踪算法,比较它们在该领域各自的优势和不足,根据它们所采用的技术、算法的网络框架和训练方法,对它们进行分类和总结。目前基于深度学习的主流算法一般使用卷积网络进行特征提取,卷积层的逻辑结构和训练方法比较单一。为了探索卷积神经网路的其他结构和训练方法,本文对基于深度学习的图像处理技术进行了深入研究,受Gated PixelCNN算法的启发,提出了一种基于Gated PixelCNN的深度学习视觉跟踪算法。首先,不同于传统的视觉跟踪算法中的卷积层,该算法中的卷积层是一种基于像素预测的生成模型,通过预测图像像素的分布进行训练,其质量不受现有的图像分类数据集和带标注的视频集资源的限制;然后,本文跟踪算法中的卷积层通过计算从图像第一个像素到后续像素之间的联合概率分布提取图像特征,通过对比实验验证这种新型结构的卷积层的特征提取能力;其次,在目标对象状态估计阶段,本文引入粒子滤波算法,通过粒子滤波技术确定跟踪过程中每帧图像中的候选目标对象组;最后,通过分析传统跟踪算法中网络更新算法的优缺点,为本算法设计网络更新策略。在实验中,将本文所提出的跟踪算法与其它9个著名的跟踪算法在12个视频集上进行了对比,实验结果表明,所提出的跟踪算法取得了与对比算法相当的跟踪性能,验证了该种卷积模型在视觉跟踪领域的可用性。