运动物体的目标检测和跟踪是当下计算机视觉领域中的重要研究课题之一,它在视频监控、自动驾驶、人机交互、防空预警等领域具有广泛的应用。目前,尽管目标跟踪已经取得了很多研究成果,但在一些复杂多变的场景中,由于目标受到部分遮挡、几何变形、快速运动、尺度变换等因素的影响,现有的算法跟踪目标的精度和鲁棒性不佳,因此,目标跟踪仍然是一个非常具有挑战性的任务。近年来,随着深度学习在计算机视觉的火热发展,深度学习在目标跟踪领域逐渐成为主流方法。凭借卷积神经网络强大的提取特征的能力以及神经网络上各种优化算法的引入,基于深度学习的目标跟踪方法将跟踪性能也提高到了新的层次。但是,现有网络一方面都是采用AlexNet等浅层网络的进行训练,没有充分发挥深度卷积神经网络的优势。另一方面对于遮挡、背景干扰等复杂场景,网络没有突出重要区域信息,导致跟踪器鲁棒性不佳。本文就此进行改进,主要研究内容和创新点如下:（1）提出了基于改进CIResNet和特征融合的目标跟踪算法。针对现有孪生网络使用浅层网络提取特征判别力不足和深层神经网络存在跟踪漂移的问题,通过实验对比不同CIR单元网络结构以及网络感受野和步长,构建一种基于CIResNet-34的深度卷积神经网络作为主干网络提取特征的方法;利用特征融合手段来解决深层网络表观信息不足的问题,从而进一步提高跟踪器的性能。（2）提出了基于注意力机制的复杂场景目标跟踪算法。针对本文设计的跟踪器对一些复杂场景效果不佳的问题,通过引入空间注意力机制模块和通道注意力机制模块两个层面,对卷积特征赋予不同的权值使得网络模型对目标的判别能力更高;针对目标跟踪过程中生成样本候选框正负样本不平衡问题,通过使用改进损失函数的方式,在原有损失函数基础上,引入平衡因子改进损失函数,降低负样本训练过程中的影响。最终,本文提出的算法在OTB100、VOT2016和2017数据集进行验证,在OTB100数据集中,本文算法的成功率值在所有对比算法中取得了第一名,比Siam RPN高了4.4%。在VOT2016和VOT2017数据集中,本文算法的平均重叠期望在所有对比算法中也取得了第一名,比第二名的Siam RPN高出1.5%和1.9%。