目标跟踪是计算机视觉领域中的研究热点,被广泛应用于我们的生活中。目前基于深度学习的目标跟踪方法取得了巨大的成功,然而在跟踪过程中存在诸如背景杂斑、低分辨率、尺度变化、目标形变等干扰因素,使得在目标跟踪上的研究依然存在许多挑战。为了解决上述问题,本文以孪生神经网络模型为理论基础,结合在实际跟踪环境下的挑战,提出了两种具有创新性的高性能跟踪算法,具体的研究内容以及成果概括如下:（1）提出一种基于注意力机制的孪生网络跟踪算法。在主干网络Alex Net中加入一种由通道注意力机制以及空间注意力机制组成的自注意力机制模块,让网络模型重点关注图像中与当前跟踪任务相关的关键信息,解决在背景杂斑以及低分辨率等干扰因素下算法跟踪性能下降的问题。（2）引入一种由通道注意力机制并结合孪生网络双分支特点组成的互注意力机制模块。在孪生网络中,模板分支相比搜索分支更加关注目标自身信息,但缺乏丰富的目标周围有用信息,而搜索分支相比模板分支则含有较多的目标周围干扰信息,利用该模块可以解决传统的基于孪生网络的跟踪算法在特征提取过程中,模板分支和搜索分支均无法获取对方重要信息的问题,进一步提升网络模型对复杂场景变化的适应能力。（3）提出一种基于可变形卷积和候选区域的孪生网络跟踪算法。使用Res Net网络模型作为特征提取的主干网络,增强网络模型的特征表达能力;使用通道注意力机制,利用图像各通道间的非线性相互作用,让网络模型对图像通道间的关系进行建模,提升网络模型的判别能力;并引入候选区域网络,解决传统的基于孪生网络的跟踪算法在面对目标发生尺度变化时需要进行多尺度预测导致跟踪速度下降的问题,同时使用深度互相关操作,在提升训练稳定性的同时进一步降低网络模型的参数量。（4）使用可变形卷积来构建可变形残差模块,利用可变形卷积感受野灵活的特点,来提升网络模型对形变目标的建模能力,该模块主要解决传统卷积在图像固定位置采样导致的无法有效拟合形变目标的问题。最后,在公开数据集上进行对比实验,将本文算法与其他算法进行大量的实验对比分析。根据实验具体数据证明了本文提出的两种算法均可有效提升跟踪性能,并且可以很好适应各种复杂的跟踪场景。