视频目标跟踪是计算机视觉领域中最为重要的研究热点之一,是视频理解、行为识别等更高层次任务的基础。视频目标跟踪在智能安防、无人机、自动驾驶等诸多领域有着广泛的应用。由于视频目标跟踪应用前景广泛,许多计算机视觉及其相关领域的研究者与科技公司都投入了大量的研究,提出了许多优秀的视频目标跟踪算法。视觉目标跟踪是一个具有挑战性的问题,在跟踪过程中时常面临相似干扰、背景杂乱、尺度变化、遮挡等挑战,传统的视频目标跟踪方法往往不能很好地应对这些挑战。由于使用了大量的训练数据,基于深度学习的视频目标跟踪算法提取的特征比传统的手工选取特征具有更好的表现力,跟踪效果较传统的视频目标跟踪算法更好。本文对基于深度学习的视频单目标跟踪算法进行研究。为了平衡跟踪精度与速度,本文围绕孪生网络对现有的视频目标跟踪方法进行研究并改进,本文的主要贡献如下:1)提出了一种基于残差密集孪生网络的视频单目标跟踪方法。为了提高主网络的特征提取能力,采用残差密集网络作为特征提取网络;为了进一步提升特征的判别能力,在残差密集网络的残差密集块中加入卷积注意力机制;考虑到目标跟踪既需要前景-背景判别又需要精确定位,对深层特征和浅层特征进行融合。2)提出了一种基于自注意力机制的视频单目标跟踪方法。针对现有基于孪生网络的视频目标跟踪算法特征提取能力不足的问题,设计了自注意力机制,获取目标的非局部特征,提升模型对目标的判别能力;由于现有基于孪生网络的视频目标跟踪算法大都离线训练,跟踪过程中不更新网络模型参数,导致算法无法捕捉到目标的表观变化,为此,设计了一种模板帧更新策略,该更新策略适用于所有基于孪生网络的视频目标跟踪算法。3)在上述工作的基础上,设计与实现了基于深度学习的视频单目标跟踪系统。