在计算机视觉领域,视觉目标跟踪技术在实际生产生活中有着重要的应用价值,吸引了一大批学者在这个领域中持续耕耘。随着深度学习的发展与大量数据的产生,视觉目标跟踪的发展路线逐渐划分为基于传统机器学习算法与基于深度神经网络的目标跟踪。尽管当前有许多优秀的算法被提出来,但是当前视觉目标跟踪仍然面临诸多的挑战,如遮挡、背景混乱、尺度变化等,本文以孪生网络跟踪框架为基础,从特征提取模块和特征融合模块入手对目标跟踪算法进行了改进,论文的主要工作如下:（1）孪生网络目标跟踪算法依据图片之间的相似度判断是否是同一物体。当目标周围出现相似语义信息时,残差网络特征图的不同通道对跟踪任务的贡献程度不同,基于此本文在特征提取模块引入了通道注意力机制。构建了注意力残差网络,其通过对不同的特征通道赋予与之对应的权重,以改善特征的质量。实验结果表明改进算法提升了模型在相似语义背景下的跟踪成功率。（2）深度神经网络中不同层次的特征所包含的信息不同,多层特征融合有助于提升算法的跟踪精度。然而已有孪生网络跟踪算法通常采用线性加权的方法对多层特征进行融合,该融合方式对不同尺度的信息直接相加会造成信息的损失,针对该问题本文提出采用注意力机制的两次融合方法和多输入融合方法,对残差网络最后三阶段特征进行融合,两种方法通过局部注意力与全局注意力机制获取不同层之间的通道注意力权重,避免了多层融合语义上的不一致,后者进一步解决了尺度信息上的不一致,使得模型能够捕捉到不同层的关键特征,提升尺度变化和旋转挑战下的跟踪效果。基于上述改进方法,本文在OTB50,OTB100,UAV123,VOT多个数据集下分别进行实验分析,结果表明本文提出的改进方法能够提升跟踪算法的鲁棒性和跟踪精度。