物体追踪是计算机视觉领域非常重要的研究方向,近年来备受研究者们的关注和青睐。视觉追踪是对视频第一帧图像中需要跟踪的物体进行标注,在后续的图像中标记出待追踪物体的位置和对应的边框。近年来基于卷积神经网络的视觉追踪算法取得了突破性的进展,但是这种方法仅提取图像的局部为特征,并没有考虑到不同图像中追踪物体位置之间的依赖关系。本文提出使用递归网络学习不同序列之间的依赖关系,同时使用卷积网络预测不同状态下每个动作的执行概率,使用策略梯度算法优化目标函数,提出了基于深度强化学习的视觉追踪算法。强化学习旨在构造一个马尔科夫决策过程,学习状态和动作之间的映射关系,将视觉追踪任务定义为马尔科夫决策过程,当前的物体在不同的时刻下通过一系列的动作得到待追踪物体的位置。长短记忆模型通过当前的输入和上一时刻隐含的状态输出作为网络的输入去学习不同序列的依赖关系。本文在介绍了基于深度学习的卷积神经网络和强化学习的策略梯度算法的基础上,深入分析了经典的深度学习的视觉追踪算法,并提出了基于深度强化学习的视觉追踪方法,经过实验对比分析,本文所提出的方法能够运用到实际的环境中并且提升了追踪效率。