目标跟踪是以第一帧中给定的目标作为模板,在后续的连续帧中搜索目标位置,确定目标运动状态的一种视频图像处理方法。目标跟踪的关键在于从复杂场景中准确区分前景与背景,并能够长时间稳定跟踪目标。由于目标跟踪具有很深的理论研究意义和广泛的应用前景,一直是计算机视觉研究的热点。目前,在目标跟踪中,深度学习方法通常被用作特征提取,主要采用Siamese网络模型。但是,现有的深度学习特征提取的目标跟踪方法更加偏重于对每一帧中目标状态的检测和离线训练的效果,忽略了跟踪在时间序列上的关系和在线更新的作用。为此,采用Siamese网络做特征提取,利用传统方法中的卡尔曼滤波修正Siamese跟踪结果;在结构稀疏的基础上,提出使用注意力机制提升结构稀疏表示方法的跟踪性能。本文的主要工作内容包括以下两个方面:（1）提出了一种基于自适应结构稀疏表示与注意力机制的目标跟踪方法以应对目标跟踪中存在的运动模糊、部分遮挡和快速运动等问题。在粒子滤波的框架下,通过注意力机制提升高质量模板的性能。利用结构稀疏性建立选样本与目标模板局部图像块之间的稀疏模型。结合稀疏残差法,降低重建误差。对模型进行优化求解后,选择相似度最高的粒子作为预测目标,并根据多尺度因子法选择最合适的尺度。（2）使用一个带有分割分支Siamese网络来有效地分割帧中目标对象。将分割与跟踪结合,即根据分割结果完成跟踪,根据跟踪结果优化视频对象分割速度。同时考虑到基于Siamese网络的目标跟踪方法通常缺乏有效的在线调整策略,使得算法在面对遮挡问题时表现不佳,提出结合卡尔曼滤波的时空融合运动目标跟踪模型,旨在缓解跟踪过程中的遮挡问题。结合分割模型,通过分数选择决定采用预测还是检测结果作为目标跟踪结果。最后采用椭圆拟合策略对边界框进行在线评估。