目标跟踪是计算机视觉范畴内一项基础而重要的研究方向,在智能监控,公共安全,人机交互和自动驾驶等诸多科学和技术领域中,都有着广泛的应用。目标跟踪的主要任务可以简单概括为,在已知视频第一帧中某个任意物体具体位置的情况下,尽可能精确地定位出在该目标后续帧中的位置。在实际应用中,由于目标会不可避免地遭遇诸如尺寸变化、形变、运动模糊等干扰因素,因此,本文对基于孪生神经网络的跟踪算法进行了深入调研,并在此基础上提出多种改进策略。本文的研究内容和成果包含以下几个方面:（1）本文提出了一个平行注意力模块（Paralleled Spatial and Channel Attention,PSCA）和自适应焦点损失函数（Adaptive Focal Loss,AFL）。通过引入注意力机制来增强特征的表征能力,同时抑制无关信息的影响,使得提取到的目标特征更加鲁棒以提高跟踪的精度。PSCA模块包含两个部分,首先,本文设计了一个分组异质空间注意力模块（Group-wise Heterogeneous Spatial Attention,GHSA）,该模块通过特征分组从子特征空间中强化目标的语义特征。其次,本文结合多尺寸的一维卷积设计了多尺度通道注意力模块（Multi-size Channel Attention,MSCA）,分别在全局和局部两个层面对于特征通道进行权重调整。PSCA由GHSA模块与MSCA模块相并联构成,可以集成到孪生网络中以优化目标跟踪任务。最后,为了降低简单样本在训练阶段对模型带来的负面影响,本文改进了焦点损失函数并提出自适应焦点损失函数AFL,自适应地根据训练进程及各个训练样本的重要程度调整其权重,使网络在训练阶段注重难以区分的困难样本,提高训练效率。（2）本文在孪生网络基础上提出了一种基于多层级卷积特征融合的网络（Feature fusion network,F-net）用于目标跟踪。随着卷积网络的结构不断趋于深度化、复杂化,深度学习模型学习到的卷积特征对目标跟踪算法的提高却并不明显。本文依据孪生网络特点,对经典深度网络模型进行改进,构造更加合适的特征提取网络。在特征提取阶段,本文所涉及的网络首先提取出浅层的卷积特征,浅层卷积特征判别性不强,但较好地保留了目标的结构信息。然后网络提取出目标的深层卷积特征,深层卷积特征会随着网络加深和卷积操作的不断累积,出现目标边界信息模糊的情况,但是其具有丰富的语义信息和高判别性。最后,通过将不同层级的卷积特征融合,得到互补的特征信息,使得网络在跟踪过程中既能对目标和背景进行准确分类,又能得到目标的精确尺寸。（3）本文在孪生网络基础上提出了一种基于互信息学习的网络（Mutual learning network,M-net）用于目标跟踪。M-net建立起孪生网络两个分支之间的连接,并通过两个分支之间的信息提取、相互学习等方式在一定程度上更新了模板分支的目标模板。首先,对两个分支提取到的特征进行一系列矩阵操作,使特征的维度便于计算。然后,通过矩阵相乘、向量点乘等方式,使搜索分支学习来自目标分支的信息,从而强化目标的特征表示。最后,目标分支学习搜索分支中上下文信息,动态地根据背景信息更新模板。另外,本文还将M-net与F-net相结合,构成一个既包括了单个分支内的特征融合,又兼顾了不同分支之间的信息学习的双孪生网络结构用于单目标跟踪。综上所述,本文提出了PSCA、AFL、F-net和M-net等策略用于改进基于孪生网络的单目标跟踪算法,并通过在多个公开数据集上的大量实验论证了本文所提算法的优良性能。同时,本文提出的算法保证了跟踪的实时性,可以满足在线跟踪的需求。