目标跟踪任务作为计算机视觉领域中最具挑战性的课题之一,被科研人员不断地进行研究和优化。该任务的主要目的是在一个给定的视频序列中,标出待跟踪目标在第一帧图像中的位置和大小。本文的研究工作和提出的创新点如下:首先,本文提出了一种基于双延迟深度决策的深度强化学习模型用于单目标跟踪,其采用双延迟深度决策算法以进一步优化Actor-Critic模型。我们使用两个Critic网络联合预测边界框置信度,获取其中较小的预测值作为标签,然后对网络参数进行更新,加速损失函数的收敛得到最准确的结果。通过在基准测试库OTB-2013、OTB-2015和VOT2016上进行综合实验,结果表明本文所提算法在精度、鲁棒性和实时性等方面有着优越的表现。由于基准测试库OTB和OVT都缺乏野外环境下的数据,本文又提出野外恶劣环境情况下的相关数据集。然而,将双延迟深度决策的目标跟踪算法测试该类数据集,结果具有高准确率、低重叠率的特点。我们针对这个问题对双延迟深度决策算法进行改进,将原始边界框、放大尺寸后的边界框和缩小尺寸后的边界框同时输入到Actor模型得到三个移动后目标边界框,将这三个新边界框内的图像与上一帧目标边界框内的图像进行匹配以获取最佳的边界框。我们所提出的算法能够很好地解决尺寸突变、尺寸变化大的情形,有效地提高了算法的鲁棒性。最后,本文设计并实现了目标跟踪系统,利用该系统可以进行实时的跟踪目标,其中目标由用户交互式选择。在跟踪结束后,系统会展示出跟踪过程中的精确度和重叠率。