目标跟踪是计算机视觉领域中一项基础研究任务,在视频监控、城市安防、智慧交通的场景中应用广泛。因此,对目标跟踪方法的研究具有重要的理论意义和应用价值。随着深度学习的快速发展,基于深度神经网络的目标跟踪方法表现出优越的性能,目标跟踪算法整体性能得到了显著的提升。其中,基于全卷积孪生网络的目标跟踪算法,由于其良好的跟踪精度与高效的跟踪效率,受到了研究人员的广泛关注。然而,由于背景杂乱、光照变化、目标表观变化等因素的影响,基于全卷积孪生网络的目标跟踪算法的性能仍不能达到令人完全满意的效果,设计鲁棒的基于孪生网络的跟踪算法仍然是一个有挑战性的课题。本文深入分析了基于孪生网络的目标跟踪方法的原理及其发展。从学习有鉴别力的响应图和有效更新目标模板信息两个方面展开研究。通过研究,本文提出两种新颖的基于孪生网络的跟踪方法,以解决基于孪生网络的方法对背景杂乱、目标表观变化大等情况性能表现较差的问题。本文的研究内容与创新点如下:（1）本文提出基于特定目标响应注意力的孪生网络用于目标跟踪。基于全卷积孪生网络的目标跟踪方法,其模型所提取的特征信息包含所提取图像块中所有物体的信息;在目标跟踪过程中,跟踪方法只需要与所跟踪的目标相关的特征信息,而传统的基于孪生网络的跟踪方法引入了与目标无关的特征信息到相似度响应图的生成过程中,使得生成的响应图不准确。针对此问题,本文提出了一种新的基于特定目标响应注意力的孪生网络用于目标跟踪。该方法首先使用逐通道的互相关操作,对通道间的互相关映射进行解耦,进而得到多通道的响应图。然后,该方法使用特定目标响应注意力模块对通道进行加权,以此增强目标相关信息对跟踪性能的贡献,并降低目标无关信息对跟踪性能的影响,从而有效提高模型的跟踪性能。最后,在多个有挑战性的目标跟踪评价数据集上的实验结果表明,与现有的目标跟踪方法相比,所提方法在背景杂乱、目标的表观变化等场景下,表现出了优良的跟踪性能。（2）本文提出基于模板更新的孪生网络用于目标跟踪。在跟踪过程中,目标的表观会不断地变化。而在传统的基于全卷积孪生网络的目标跟踪方法中使用的目标模板是固定的,仅用初始帧提供的模板信息无法处理跟踪过程中目标表观变化。针对这个问题,本文提出一种新的基于模板更新的孪生网络用于目标跟踪。该方法使用所提出的模板更新模型对目标模板进行更新,使目标模板包含更全面的目标的表观信息。该模型分别在通道和空间位置两个维度对目标模板进行更新,以提升跟踪方法对目标表观变化的鲁棒性。同时,所提方法将历史帧模板信息包含到更新的模板中,增加了模板中目标表观信息的多样性。在多个有挑战性的目标跟踪评价数据集上的实验结果表明,所提方法在目标表观变化等场景下获得了很好的鲁棒性和精确度。