单目标跟踪（Single Object Tracking）是计算机视觉领域一项重要的工作,被广泛应用于机器人技术、自动车辆跟踪、智慧交通等领域。最近几年,深度学习（Deep Learning）被广泛应用在计算机视觉领域,越来越多的单目标跟踪算法开始与深度学习相结合,同时又因为孪生网络（Siamese Network）在单目标跟踪领域的优秀性能,当下主流的单目标跟踪算法大体上都基于孪生网络。尽管目前基于孪生网络的单目标跟踪算法层出不穷,但由于实际场景中光照变化、形变、遮挡等因素,跟踪器往往很难达到准确、鲁棒、实时的跟踪效果。并且这些先进的跟踪器,普遍存在以下问题:1.对于相似的目标具有较高的响应值,并且跟踪目标发生形变时响应值降低。2.现有的基于模板匹配目标跟踪算法,往往取第一帧的目标特征作为模板,和后续采样的候选区域进行匹配从而得到相应的分,得到跟踪结果,而跟踪的过程中被跟踪的目标是动态变化的,这样做显然是缺乏模板更新机制。3.主干特征提取网络大多以Resnet50为主,虽然可以有效提取特征,但参数冗余导致目标跟踪算法的速度下降。针对上述单目标跟踪模型所存在的问题,我们以轻量化的设计理念分别对SiamFC和SiamRPN++进行优化修改,具体工作如下:（1）基于SiamFC单目标跟踪算法,手工设计了一种基于全局注意力的轻量级的单目标跟踪算法。将SiamFC这种轻量级的单目标跟踪框架进行改进,通过添加多种注意力机制强化主干提取特征网络特征提取的能力,本工作将原来双分支网络拓展为四分支网络,模版分支的一个子分支在原分支网络的基础上增加自注意力模块,以此提升分支网络对待目标特征的识别、判别能力,使算法更好地区分局部干扰和目标。另一个分支,融合主干提取特征网络不同卷积层的特征,让该分支提取的混合特征更加健壮。将这样鲁棒的混合特征输入到全局注意力模块中进行不同卷积层混合特征进一步的强化,让模板以及搜索分支对所提取的具有丰富的空间、语义信息的混合特征有更加明朗的判别能力,进一步提升网络的跟踪性能。实验结果表明,相较于原SiamFC基础网络,改进的紧凑型算法具有明显性能提升。（2）基于SiamRPN++单目标跟踪算法,引入动态的待跟踪目标表达方法。本文设计一种动态的目标表达方法,以建模跟踪目标模板的动态变化,去缓解非感兴趣目标遮挡和感兴趣目标翻转对于跟踪器所造成的跟踪压力。同时为了保证跟踪算法的速率,我们通过软剪枝算法对主干提取特征网络进行了模型压缩。实验结果表明,我们改进的基于几何中值软剪枝的存储多模板跟踪网络参数量更少、性能更优。本文提出的两种改进模型相较于其基准网络,在多个公开主流数据集上均有明显性能提升。