随着数字媒体技术的普及和计算机视觉领域的快速发展,平面目标跟踪作为一种重要三维跟踪技术已被广泛应用于三维重建、军事制导以及无人机等多个技术领域。尽管众多研究者在该领域已经取得了丰硕的研究成果,但仍存在诸多问题尚未解决。例如,在背景复杂或者在视点快速移动的场景中,视频图像中纹理重复或者缺失会导致所提取的关键点特征信息不准确;超出视野或遮挡等场景容易造成基于区域的方法失效;视点快速移动则会引起跟踪目标产生较大程度的形变,导致图在匹配过程中误差增大。现有算法仍远不能满足复杂实际场景中的准确性和鲁棒性需求。传统平面目标跟踪算法主要分为基于关键点、基于区域和基于图三类方法,但它们都存在着一定的局限性。大部分基于关键点的方法都忽略了平面目标的结构信息且都相当依赖图像中像素的梯度信息;基于区域的方法在缺少目标结构信息时可能会出现跟踪失效;基于图的方法在纹理丰富的场景中,特征点提取偏差会影响局部特征创建而使得跟踪不够稳定。由于深度学习能更准确地提取目标深度特征,目前已广泛应用于目标检测、识别以及跟踪任务,显著提高了检测、识别以及跟踪的准确率。然而,目前基于深度的平面目标跟踪研究相对较少。基于此,本文提出了一种利用卷积神经网络估计单应性矩阵的平面目标跟踪算法,并以此为基础提出了一种基于孪生神经网络的单应性矩阵估计改进算法。主要内容包括:（1）本文提出了一种使用卷积神经网络提取特征并通过对单应性矩阵进行回归估计的平面目标跟踪方法。为减小直接估计单应性矩阵的难度,该算法通过归一化减少单应性矩阵的自由度,并用四点参数化代替单应性矩阵参数估计,实现了平面目标跟踪。（2）为了减小累积误差带来的影响,本文利用孪生神经网络提取特征并进行单应性矩阵估计,提出一种基于孪生神经网络的改进算法。该算法使用相似度度量将检测和跟踪两个过程结合起来。孪生神经网络的两个分支分别提取模板帧和目标帧的特征,然后运用锚点框机制在所提取的特征图上产生大量矩形区域并对其进行排序。该算法将平面目标跟踪划分成分类和回归两个任务同时进行,对矩形区域进行分类后,利用余弦窗和尺度惩罚对矩形区域重新进行排序并使用非极大值抑制算法进行筛选,最后,对筛选出的结果进行回归微调。融入检测过程后,较好地改善了由累积误差引起的目标跟踪失效现象,同时提高了平面目标跟踪的准确度。（3）本文采用公开数据集上包括旋转、缩放、遮挡、透视和超出视野五种影响因素的数据样本对所提出的两种算法进行了量化对比,并将所提出的基于孪生神经网络的算法与本领域目前几种具有代表性的算法进行了实验对比。论文从视觉效果和量化数据两个方面呈现和分析了所提算法的实验结果。实验数据验证了本文算法的有效性和准确性。