近年来,目标跟踪吸引了越来越多人的关注,并且现阶段依旧是一个十分活跃的研究领域。在现实生活中,视觉目标跟踪具有着广阔的使用场景,如视频监测、智能人工交互、自动驾车系统等。随着算法的迅速发展,目标跟踪领域取得了很多突破性的成果。然而,由于在视频序列图像中存在遮挡、形变、快速运动等问题,目标跟踪领域仍然面临着诸多挑战。目前,在目标跟踪领域使用最广泛的模型是基于孪生网络（Siamese Network）框架的跟踪模型。尽管基于Siamese网络的跟踪器有着较好的跟踪效果,但仍然存在一些不足之处。本文发现,基于孪生网络的跟踪器在背景的干扰较大的情况下,性能下降较快。诸多基于孪生网络框架的跟踪算法,比如Siam FC、Siam RPN等,都是通过提取特征进行简单的卷积操作得到最后的响应图。然而,这会导致目标区域比匹配区域小得多,从而使得背景中的噪声直接影响最后的匹配效果。此外,早期传统的浅层网络（例如Alex Net）用于提取特征时,不同层得到的特征不会有非常大的区别。然而,现在主流的深层网络（例如Res Net-50）应用于目标跟踪时,不同层得到的特征是有明显区别的。所以传统的目标跟踪算法中提取特征的方法不能有效地发挥深层卷积网络强大的特征表达以及特征学习能力。针对以上问题,本文开展了以下工作:（1）前期的基础工作本文将目标跟踪领域相关的发展历程进行了梳理,对于目标跟踪领域不同的研究分支进行了详细的介绍,总结了不同研究分支中目标跟踪算法的优点和不足之处。（2）提出了目标感知像素级联互相关的跟踪模型因为孪生网络框架的跟踪算法通常直接使用第一帧作为模板图像,所以第一帧的目标信息对后续帧的匹配有很大影响。不同于一般的基于孪生网络的跟踪器,本文提出了目标感知模块,选择对卷积后得到的第一帧的特征进行处理,只保留目标的特征信息。此外,本文采用了一种不同于传统互相关方法——像素级互相关,通过部分到部分的匹配,避免了复杂背景对目标的干扰。其次,本文还提出了像素级联模块,通过多个像素级互相关操作提取出更为抽象的特征。最后,本文将该模型在目标跟踪算法中常用的公共数据集上进行实验,并与目前比较流行的同类型跟踪算法相比较,结果表明,该模型的性能有一定的提高。（3）设计出注意力和特征融合的跟踪模型传统算法中的跟踪器通常直接使用主干网最后一层输出的结果作为特征图,这会导致跟踪器在面对复杂场景如目标出现大的形变、目标被遮挡等问题时跟踪失败。本文选择分别在主干网的最后两层后面加入注意力模块,通过注意力模块对卷积特征赋予相应的权值,从而提高跟踪器对目标的判别能力。然后将得到的两个新的特征图进行融合,这有利于提高跟踪器的鲁棒性。最后,本文将该模型在目标跟踪算法中常用的公共数据集上进行实验,并与目前比较流行的同类型跟踪算法相比较,结果表明,该模型的性能有一定的提高。