目标跟踪算法是机器视觉领域的一个分支,在智能监控、智能交通等领域得到广泛应用。基于深度学习的目标跟踪算法相较于传统的目标跟踪算法在精度方面更具优势。但是,基于深度学习的目标跟踪算法通常伴随着大量的数据计算,而随着移动设备的普及,目标跟踪技术的应用场景则开始向体型小、方便移动的方向发展,这便限制了那些只能依靠大型计算机的算力才能达到较高精度算法的使用。因此,研究出一种既能保持较高准确度又能适用于小型嵌入式系统的目标跟踪算法具有重要意义。本文研究了一种能够应用于小型嵌入式系统的目标跟踪算法,将目标跟踪算法嵌入到NVIDIA Jetson TX2中进行实验。通过将CBAM注意力模型和HOG特征融入到Siam DW算法中的方法提高算法对物体实时跟踪的精确度,再使用Tensor RT框架对算法中的主干网络进行优化从而提高算法的实时性,实现算法在嵌入式系统中既能保持较高的精确率又能使其适应嵌入式系统的要求。本文的主要研究内容如下:首先,对本文改进前的算法进行框架和骨干网络的研究,并对目标跟踪算法基础框架的各部分及其涉及的关键技术进行分析,这其中主要包括Alex Net网络及其理论基础、Siamese网络结构和Siam FC算法。对Alex Net算法中各卷积层的输出特征图绘制热力图,并进行比较分析,说明网络的深度对特征图的影响。其次,本文分别对HOG特征和注意力模型进行理论分析,提出了一种融合HOG特征的CBAM注意力模型。该模型选择具有旋转不变性的改进版HOG特征与算法骨干网络提取到的深度特征进行融合。选择具有空间注意力模块和通道注意力模块的CBAM注意力模型对融合后的特征图进行调节。并对经过该模型的前后特征图进行了对比分析;再次,对基于Siamese框架结构的目标跟踪算法的骨干网络进行分析,分别讨论了特征融合的方式、Res Net网络、Dense Net网络和Siam DW网络。通过对Res Net网络、Dense Net网络和Siam DW网络的结构和各自优势的分析,分别将Dense Net网络和Siam DW网络的骨干网络作为本文算法的骨干网络,并在与融合HOG特征的CBAM注意力模型衔接后进行实验分析;最后,依据前四章的研究成果,在NVIDIA Jetson TX2开发板中进行环境安装和配置,使用Tensor RT框架对本文算法进行简化,并最终将简化后的算法应用在TX2开发板中。实验结果表明,当本文提出的目标跟踪算法应用于NVIDIA Jetson TX2嵌入式系统中时,能够对目标进行实时跟踪,并且拥有较高的精确度。