目标跟踪作为计算机视觉领域的重要分支,其在医疗图像、无人机跟踪和人机交互等领域扮演着重要角色。算力设备的快速发展使得以孪生网络为基础的目标跟踪算法成为主流。尽管它兼备实时性和准确性,但是在复杂多变的场景中还是存在稳定性差,鲁棒性低等问题。这使得目标跟踪任务成为了一项极具挑战的视觉任务。基于此,本文以Siam FC++算法为基础,对算法进行优化。本文主要做的工作如下:（1）提出基于分支注意力机制与孪生网络的目标跟踪模型。该模型在特征提取网络后面引入分支注意力模块,此模块内部有3个分支,每个分支有不同尺寸的卷积核,使网络产生不同大小的感受野特征响应。随后,各个分支特征经过内嵌的全局信息建模模块对上下文信息融合建模。最后,对各个分支的特征加权融合。通过分支注意力模块能使网络根据目标大小和长宽比动态调整感受野特征,有效应对目标运动过程中的形态变化,从而提高跟踪的准确性和鲁棒性;（2）提出基于注意力匹配机制与孪生网络的目标跟踪模型。该模型关键的是编码-解码模块。编码模块通过残差连接若干个基于自注意力机制的特征筛选模块加强有用特征通道。解码模块则基于局部至局部的特征匹配方式,过滤掉模板特征中大部分背景信息,增强前景特征信息,从而加强了相似性矩阵的特征纯度,提升了后续目标分类和边界框回归等任务的精确度;（3）对于以上两种网络均引入交并比（Intersection over Union,IOU）预测分支,该分支与回归分支共享权重,它连接了目标分类和边界框回归任务,且能在复杂场景下降低远离真实目标的干扰物的得分权重,从而大幅度提升了跟踪器的鲁棒性;本文通过三个常用的公开测试数据集验证本文所提出算法的性能优越性,领先基础网络Siam FC++的同时,大幅提高跟踪器模型在模糊、遮挡、光照、运动变化等场景下的鲁棒性。同时,通过消融实验验证网络各个模块设计的合理性,通过对日常场景下常见目标做跟踪测试验证网络的有效性。