目标跟踪作为计算机视觉领域的研究热点,旨在探索如何准确快速地捕获感兴趣目标运动状态,实现强鲁棒性的目标跟踪,相关技术方案可以广泛应用于安全监控、智能交通等诸多领域,具有重要的理论意义与应用价值。然而,现有跟踪方法大多缺乏对全局信息的关注,不能充分利用深层和浅层信息。此外,单纯依赖初始帧的特征进行模板匹配,无法适应跟踪整体过程中目标持续发生外观变化的问题。尤其是对于航拍视角下获取的目标对象,存在目标信息量少等多种复杂因素,使得研究设计性能稳定的跟踪方法面临重大挑战。本文立足现实应用需求,针对典型跟踪方法存在的不足,基于孪生网络架构和Transformer网络结构提出两种新的解决方案。论文的主要研究内容与创新性贡献如下。1)为了充分利用深层和浅层信息提高特征表征能力,并且更好适应目标外观变化,提出一种结合Transformer特征增强与模板更新的目标跟踪方法（TUTrack）。首先,基于孪生网络架构特征提取网络对特征进行预提取,构建由通道注意力和Transformer模块组成的特征增强网络,对预提取的特征向量进行上下文和通道上的显著性增强。然后,利用增强的特征信息通过分类回归网络实现目标状态估计。最后,设计模板更新策略,依据置信度得分有判断性地自适应更新样本模板。实验结果表明,提出的跟踪方法在典型基准数据集OTB100、La SOT和GOT-10k上取得了良好的跟踪性能,特别是在目标变化,背景干扰、运动模糊等复杂场景中具有较好的鲁棒性。2)为了获取更加丰富的全局上下文感知和时空信息,同时提高设计方案对航空领域微小目标的跟踪鲁棒性,提出一种基于Transformer特征集成网络的目标跟踪方法（TFITrack）。文中结合Transformer网络结构,在编码器中引入相似性计算层、时间上下文过滤层和双重注意力模块,用于聚合时空和全局上下文信息。相似性计算层和双重注意力模块可以加深特征之间的相似度,并进行通道与空间维度的校正,提高特征的表达能力。时间上下文过滤层用来自适应忽略不重要的特征信息,在保证跟踪性能的情况下减少模型计算参数量。实验结果表明,提出的跟踪方法在OTB100、La SOT、GOT-10k、DTB70、UAV123、UAV20L和UAV123@10fps七个基准数据集上具有较好的跟踪性能,特别是在具有视角变化明显、分辨率低、目标运动速度快等航拍挑战因素影响的情况下表现出更优良的鲁棒性。