视觉追踪作为计算机视觉领域一个重要课题,在安防,自动驾驶,智能机器人等应用场景中,具有重要的作用。目前主流的追踪算法主要面临几个问题,一个是速度和精度很难均衡;第二个是对于离线数据的吸收能力不强,对于大数据的利用不好;第三个是缺乏高效的在线更新方式,使得追踪算法对于追踪目标的形变,背景变化等情况适应能力不强。在实际场景中,要求追踪算法达到好的实时性。因此,追踪算法需要权衡速度和精度的要求。同时,不同的场景会有不同的数据,充分利用大数据的优势,能更方便快捷地适应不同的场景。为了解决这三个问题,本文提出了解决方案。本毕设提出了一种高效的端到端的追踪算法,并设计了优雅,轻量级的网络结构用于训练。通过端到端的训练框架,能很好的吸收离线大规模样本,而不需要设计复杂的手工特征。同时,本毕设提出了元学习的方式,对在线的样本进行学习,快速更新网络的参数,增加了追踪算法对不同追踪目标的适应能力。通过线下训练和线上更新的方式,充分挖掘了网络的潜能,使得网络具有迁移性和适用性,从而达到了速度和精度的权衡。最后,通过设计科学合理的实验,通过和主流的追踪算法对比以及自身的性能分析,证明了本毕设提出的方法的有效性。本毕设的追踪算法在权威数据集OTB2013[1],OTB2015[2],VOT2016[3]上均有良好的表现,同时追踪的速度达到了60FPS,满足了实时性的要求。