目标跟踪是计算机视觉的重要研究热点,主要任务是跟踪一个在视频初始帧中给定的运动目标,在后续帧中进行状态估计并做出标注。目标跟踪不仅为场景分析任务扩展丰富的数据资源,而且为目标的正确检测和识别提供有力的帮助,在智能监控、虚拟现实、医学诊断、国防安全、智慧城市和自动驾驶等诸多领域发挥关键作用。随着深度学习相关技术在目标跟踪领域的快速发展,使用卷积神经网络和孪生神经网络来提高跟踪性能的目标跟踪算法取得了显著成绩,成为了主流的研究方法。然而在实际应用场景中跟踪器会受到外界环境和目标内部因素的影响,因而实现准确、鲁棒的目标跟踪任务仍具有挑战性。本文针对影响跟踪器性能较大的挑战问题,从优化特征提取网络结构和改进算法模型两方面入手,提出两种以孪生神经网络为基本架构的目标跟踪算法。一是针对遮挡和快速移动的目标产生的跟踪漂移问题,提出基于通道注意力和卡尔曼滤波的孪生网络跟踪算法。首先在孪生网络模型中嵌入通道注意力结构,分析图像中各个通道之间的相关性,提高网络提取特征的表征能力。再将卡尔曼滤波引入孪生网络,获得目标的时空轨迹信息,通过基于平均峰值相关能量比的高置信度的方法来判断目标跟踪的状态,使目标跟踪算法更加鲁棒,提高跟踪算法的成功率。二是针对目标的尺寸变化和相似物影响导致跟踪准确度下降的情况,提出基于频域注意力和模板自适应的孪生网络跟踪算法。该跟踪算法使用频域注意力网络进行采样,引入了更多的频率分量来充分利用特征信息,弥补了现有通道注意力方法提取特征信息的不足,增强对相似特征的识别,提高出现相似目标时跟踪的鲁棒性。同时,为了更好地应对不同大小的跟踪目标,根据目标和背景的比例自适应的选择目标模板尺寸,提高了跟踪算法的精确率。实验表明该方法很好地均衡了跟踪的鲁棒性和速度。此外,在七个测试基准数据集上与不同跟踪算法进行了大量对比实验,采用多种主流的评估方法进行定性、定量评估以及理论分析,证明本论文所提出的算法具很强的鲁棒性。