红外数据在一些恶劣环境下（低光照、雾霾等）可以清晰的反应目标的状态而不受环境影响,从而可以辅助可见光图像进行全天候、全场景鲁棒性目标跟踪任务,因此最近这些年出现了一个新的研究方向:可见光-红外（RGBT）目标跟踪。目前主流的算法都在致力于解决如何更好融合两个模态的特征,而忽视了目标特征的重要性总是会随着环境的变化而发生变化。因此使用静态参数的卷积核所提取的特征可能变得不可靠,从而会影响跟踪器的性能。为了提高在这种问题下跟踪器的性能,本文开展了基于动态卷积的可见光-红外目标跟踪研究,主要研究成果包含以下两个方面:第一,给出了基于动态协同卷积的可见光-红外目标跟踪模型。对于RGBT目标跟踪任务而言,如何提取出丰富且具有判别力的特征是提高跟踪器性能的关键。现有的一些工作往往在同一层中使用多个卷积核来分别捕获目标的不同性质的特征,但是这样一方面会引入低质量特征,同时会使得训练步骤繁琐,另一方面无法根据目标的上下文来自适应的提取目标特征。因此,本文给出了多模态动态协同网络,通过综合考虑两个模态的全部信息来自适应的提高每个模态的表示能力。具体来说,本文设计了一个动态的协同卷积模块,包括一个多模态的权重路由网络和为每个模态准备的一系列的静态卷积核。本文利用几个静态卷积核来分别建模每个模态的不同表示,然后权重路由网络会根据多模态输入自适应融合静态卷积核参数,动态生成用于适应不同输入的核参数。此外,为了发挥出每个卷积核的最大作用,本文也给出了多核学习策略,使得每个卷积核学习到不同且丰富的特征。本工作在若干个权威公共数据集上进行了大量的实验,从而验证了该模型的有效性以及鲁棒性。第二,给出了面向复杂场景建模的动态网络模型。对于RGBT目标跟踪任务而言,目标在移动的过程中会遭遇大量的复杂场景,这些复杂场景阻碍着跟踪器性能的提高,导致被跟踪的目标发生漂移。针对该问题,本文在工作一的基础上给出了面向复杂场景建模的动态网络模型,将原模型中的通用静态卷积替换为场景特定卷积,用以提取目标在不同挑战场景下的特征。之后本文在每个模态使用挑战选择模块来将各个场景特定卷积进行参数空间上的融合。另外,由于深度学习是数据驱动的,而当前的跟踪数据集中并不包括对应场景下大量的数据,因此,本文对原始数据集进行了不同类型的数据增强,用以充分训练所有的场景特定卷积。本工作在当前若干个基准数据集上的实验结果表明本方法极大的提高了模型在各种环境下的鲁棒性,从而达到了领域领先的性能。