视觉目标跟踪算法是在给定第一帧目标的情况下,要求跟踪算法在后序帧中能克服光照、形变等因素从而持续地跟踪目标。随着深度学习技术被应用于目标跟踪领域,目标跟踪算法得到了长足的发展,但是在实际情况下跟踪算法仍然在诸多因素的影响下而鲁棒性较低。为此本文提出基于网络调制的目标跟踪算法,主要研究内容如下。（1）针对常见的匹配思路下未能使用高阶信息对物体的表观进行鲁棒性建模,而使得目标在跟踪过程中出现漂移,提出了基于二阶网络调制的目标跟踪算法。整体架构分为离线训练和在线更新两个部分,离线训练部分通过初始帧图片学习调制向量,之后通过调制的思想将参考帧信息融合到测试帧中,最终预测高斯框和目标标签的交并比。在这当中为了充分学习到第一帧信息,跟踪算法综合使用形变卷积、全局上下文注意增强网络以及二阶池化网络,从而加强网络对目标特征的鲁棒性。在线更新部分主要通过指数加权的方式对特征进行增强,学习相应目标的分类器以区分出前景和背景。最终,根据在线更新部分得到的目标粗定位,跟踪算法额外生成十个目标框并送入到离线训练的网络中,并通过最大化交并比的方式得到最终预测的目标框。与结果较好的跟踪算法相比,跟踪算法在OTB100、VOT2018、GOT-10k数据集上的结果具有较大竞争力,同时本文跟踪算法的速度可以达到27fps。（2）针对目标快速运动而引起尺度变化的问题,提出了基于双流网络调制的目标跟踪算法。在离线训练网络中,改变之前只是用图像做匹配的思路,采用短视频流输入,用3D卷积网络学习在短视频中目标的运动信息,即时序上的关联;同时用2D卷积学习视频最后一帧的外观特征,即空间上的关联,最后直接将时空特性融合并进行深度框回归预测以得到跟踪框。同时针对在线更新部分采用固定的搜索区域,提出了自适应的搜索策略。通过大量实验表明,所提算法能够充分利用时序和空间信息,在OTB100、VOT2018、VOT2019以及GOT-10k数据集上都有较为明显的提升,同时最终跟踪算法的速度可以达到12fps。