计算机视觉被视为是人类视觉感知的扩展,可以从数字图像中自动获取、分析和理解有用的信息。作为深度学习的成功应用领域之一,计算机视觉已经拥有了大量实际的应用。其中,基于视频图像的视觉目标跟踪是计算机视觉技术中的重点研究方向之一,可以为运动分析、事件检测、轨迹预测和活动识别等高级视觉理解问题提供新的思路和方法。本文首先对基于深度学习以及相关滤波技术的单目标跟踪算法进行了系统的学习与总结,并提出了两种目标跟踪算法:1、为解决目前主流跟踪器训练时缺乏大规模训练集的问题,提出了一种可以使用未标记视频图像进行网络训练学习的自监督跟踪器。跟踪器采用将判别式相关滤波嵌入至孪生网络的方式,通过正向跟踪和反向跟踪构成的循环一致性损失进行网络的离线训练,并通过在特征提取器部分添加子空间注意力机制以及通道注意力机制的方式提升了目标特征的判别性。在单目标跟踪数据集上的测试结果表明,提出的跟踪器可以通过自监督的学习方式提取出有效的目标特征,且能够达到有监督跟踪器的跟踪基准;2、针对现有结合相关滤波技术的跟踪器存在的提取的目标特征表达能力不强以及在跟踪过程中跟踪器存在目标模板污染导致的目标漂移等问题,提出了一种结合动态卷积结构并采用目标模板选择更新的跟踪器。在不额外增加网络宽度及深度的情况下,通过动态卷积结构提升了卷积网络对跟踪目标的特征表达能力。并且利用跟踪置信度的计算,通过目标模板的选择更新,在提升了跟踪速度的同时有效地应对了跟踪问题中背景复杂、目标遮挡等问题。