人工智能技术的研究已经开展了六十余年,其应用范围已遍布人类生活的各个角落。其中,计算机视觉作为一个重要的科研领域,在军事侦察、无人机跟拍、智能监控、自动驾驶等领域已有了越来越多的实地项目。然而,目标跟踪技术作为计算机视觉中的一项应用,其算法针对实时性、精确性与鲁棒性问题的决策并未完全成熟。随着技术的发展与科技的进步,越来越多具有挑战性的应用场景被挖掘出来。到目前为止,大部分跟踪算法面对已被挖掘出来的实际应用场景出现的问题仍无法很好地解决,如:光照变换、平面旋转、形态变化、低分辨率、快速移动、模糊移动、目标遮挡等。近年来基于深度学习的单目标跟踪算法在实验方面取得了不错的实验结果。与传统跟踪方法相比,基于深度学习的目标跟踪系统不仅能够准确地定位到指定目标,而且在实时性上也具有较大的提升。虽然目前大部分深度跟踪算法已取得了不错的跟踪效果,但是仍具有较大的提升空间。本文针对基于深度学习的单目标跟踪算法进行深入研究,并且从多视角特征、目标分割等角度出发对现存的主流跟踪算法模型进行优化改进,为提高复杂场景下单目标跟踪器的鲁棒性展开了相关的研究工作。本文的研究内容主要有以下两个方面:（1）为了提高单目标跟踪的鲁棒性,提出了一种融合检测与预测信息和多视角协同匹配（Multi-view Collaborative Matching,MCM）的单目标跟踪方法。该方法引入了目标预测机制与多视角特征系统,通过对检测与预测得到的候选目标提取多视角特征并进行协同匹配的方式实现单目标跟踪器。相比于大部分基于深度学习的主流跟踪算法,所提方法MCM提取的多视角特征对不同复杂场景均具有一定鲁棒性,在精确率上具有较大优势。（2）上述MCM方法虽然鲁棒性较好,但在实时性上的表现不够理想。为了实现复杂场景鲁棒性和实时性兼具的单目标跟踪,提出了一种基于目标分割与域特征匹配（Segmentation and Domain Feature Matching,SDFM）的单目标跟踪算法。该方法通过改进UNet分割网络,得到一种能够赋予多标签的孪生分割网络,并将此网络与SiamMask相结合,提出了一种分割矫正模块,从而在不影响跟踪器实时性的条件下解决SiamMask在目标遮挡、目标旋转等场景不具有鲁棒性的问题。相比于原始SiamMask方法,SDFM不仅没有过度降低跟踪器的实时性,并且在目标遮挡等应用场景中的精确率有了较大提升。