目标跟踪作为计算机视觉中的一个热点问题,广泛应用于导弹定位、视频监控和无人机侦察等众多领域。近些年来,尽管基于孪生网络的目标跟踪算法蓬勃发展,但是在速度和精度上仍然受到一些复杂场景的限制,以至于无法得到有效的实际应用。其主要问题在于孪生网络算法的特征提取框架太浅以及无法在线学习,导致模型的判别性较弱。为解决上述问题,本文主要研究基于孪生网络的目标跟踪算法,主要贡献如下两点。首先,为了解决全卷积孪生目标跟踪网络出现相似语义信息干扰物,使得跟踪目标发生漂移,导致跟踪失败的问题。本文提出一种基于多层特征增强的实时视觉跟踪网络,来分别增强高层和浅层的特征表示能力,从而提升跟踪器的鲁棒性。首先,对于浅层特征利用了一个轻量且有效的特征融合策略,通过一种数据增强技术来模拟在复杂场景中的一些变化,例如遮挡、相似物干扰、快速运动等变化来增强浅层特征的纹理特性。其次,对于高层特征提出了一个像素感知的全局上下文注意力机制模块,来提高目标的长时定位能力。最后,在三个具有挑战性的跟踪标准库OTB2015、GOT-10k和VOT2018上进行大量实验,实验结果表明所提算法在OTB2015和GOT-10k上的成功率指标比基准算法分别高出6.3个百分点和4.1个百分点,且跟踪速度达45帧/秒。在2018年视觉目标跟踪库实时赛道挑战上,超过2018年的冠军-高性能的候选区域孪生视觉跟踪器,验证了所提算法的有效性。其次,为了解决全卷积离线训练孪生跟踪网络出现目标剧烈形变以及背景混乱使得跟踪器的稳定性不足,从而导致跟踪精度下降的问题,本文提出一种基于在线学习的图注意力机制孪生网络目标跟踪算法。首先,本文提出一个在线学习的子网络,通过模板更新策略和判别式分类器来学习特定目标的特征,从而提升跟踪器的性能。其次,本文提出一个图注意力机制来建立起目标和搜索区域之间局部拓扑对应关系,来处理全局匹配所导致的目标部分层级间的信息缺失问题。通过实验表明,所提方法在OTB2015和VOT2018跟踪标准库上都表现出优异性能,分别超越基线8.8个百分点和6.7个百分点,且以50帧/秒的速度达到实时跟踪。在OTB2015目标跟踪库上,本文所提算法在性能上超越同类型图卷积孪生目标跟踪器2.2个百分点。