近年来,随着科技飞速发展,人工智能技术突飞猛进。计算机视觉作为人工智能至关重要的一部分,吸引了越来越多的学者和专家的关注。目标跟踪技术作为计算机视觉领域的重大研究课题之一,也受到了广泛的关注。目标跟踪技术的应用非常广泛,在军事上可以应用于空中目标跟踪、无人机侦察等方面,在民用上可以应用于安防监控、交通及刑事侦察等方面。本文关注于目标跟踪相关技术的研究,旨在基于人工智能和深度学习技术探索一种面向移动智能体的小样本目标跟踪方法。本文提出了一种基于小样本的目标跟踪方法。主要的工作和贡献可以概括为以下三点:（1）对于神经网络来说,小样本是不足以用于网络训练的,所以首先需要对样本信息变换处理。对小样本采用数据增强技术,是为后面的神经网络训练做准备。根据观察和分析目标的运动的形态变化,将样本在一定程度上进行颜色调整、添加噪声、平移、缩放、旋转等处理,生成更多的样本,模拟目标在运动过程的形态变化,为接下来的训练提供了数据基础。（2）提出一种基于Siamese网络的目标跟踪方法,使用Siamese网络训练网络模型,利用Siamese网络的特点,学习目标与样本之间的关联点。通过对Siamese网络进行改进,改变网络两端的输入的尺度,一端为目标大小,另一端为背景大小。通过卷积运算获取目标的相似矩阵,并且加入多个尺度在网络中训练,预测目标在下一帧图像中的可能的位置。引入了 GIOU用作神经网络训练,提高了网络模型的抗噪声能力和健壮性,为后续目标定位提供基础。（3）为了精确的定位目标,提出了一种基于密度聚类的目标定位方法。该方法在网络对目标位置初步预测的基础上,构建基于密度和距离的加权运算矩阵。通过对预测结构中的坐标及宽高聚类,过滤网络预测的边缘异常点后,最终锁定下一帧的目标位置,完成目标定位。