目标跟踪问题是计算机视觉领域的重要研究课题之一。近几年深度强化学习理论在目标跟踪领域得到了一定的应用。本项课题分析了现有目标跟踪方法的几处不足,包括对于目标丢失的检测与恢复策略缺乏实验比较、只能给出与坐标轴垂直的目标框预测、以及超参数需要精细调节且不够灵活等,并进行了相应的实验对比或基于深度强化学习理论提出了改进方案。实验表明,本文提出设计的跟踪器在鲁棒性和精度等指标上相比基准跟踪器获得了一定程度的提高。本文主要研究内容和贡献有:(1)比较和分析了传统目标跟踪方法对于跟踪过程中目标发生丢失的跟踪情景的检测和恢复机制。结合TC128数据集上的一系列实验,对于目标丢失的检测问题,通过引入分类问题的评价标准,比较了基于相关性的方法、基于响应的APCE方法等方法在检测丢失上的有效性。对于目标丢失的恢复问题,比较了稠密采样、高斯分布采样、RPN网络等多种方法的有效性。并对以上方案给出了综合性分析。(2)分析了传统目标跟踪方法对于目标框旋转问题处理的不足。设计实现了一种基于强化学习的目标框旋转角度预测方法,通过使用PPO强化学习算法训练得到了一个动作预测网络,其接受视频帧采样样本的输入,产生目标框的偏转角度预测。在VOT数据集上对实现的基于强化学习的旋转角度预测方法进行了系列性能测试,证明了设计的方案一定程度上可以给出有效的目标框旋转角度预测。(3)目前众多主流目标跟踪方法需要精细设定超参数才能达到最佳效果。本项课题基于深度强化学习思想,设计实现了一种网络结构,并设计了一套基于深度强化学习的训练方法,训练得到了一个能够在一定范围内自适应调整超参数的跟踪器。OTB等数据集上的实验证明,获得的跟踪器在整体上和困难情景中都相对于固定超参数的基准跟踪器在鲁棒性上取得了一定的提高。证明了这种自适应调整超参数方法的有效性。