计算机视觉在人们的生活中扮演着愈发重要的角色，而目标跟踪作为计算机视觉重要的组成部分之一，在自动驾驶、视频监控、无人机导航等领域都有着十分广泛的应用。对于给定目标的初始状态，目标跟踪的目的是在后续图像帧中定位出目标。虽然目前已经有大量关于目标跟踪算法的研究，但目标跟踪问题因其在视频序列的后续帧中可能出现的变化，如目标在跟踪场景中发生尺度变化、形状变化、被遮挡以及目标移出视野等，仍然是一个亟待解决的问题。
　　本文详细分析了目标跟踪算法CREST将特征提取、响应图生成、尺度变化以及模型更新统一到深度学习框架上来所具有的优势。指出在解决目标发生局部遮挡时该算法性能的不足。在此基础上，提出将目标进行分块卷积得到M个响应输出，对M个响应输出自适应地加权融合。自适应地权值系数由两部分组成：具有较高的峰值-旁瓣比可以很大程度上确定响应输出的峰值点包含目标中心点的可能性；目标在两帧之间的运动符合某种分布，结合GOTURN在扩增样本时提出的拉普拉斯分布，可以通过响应图峰值点距离上一帧峰值点的距离来抑制局部遮挡带来的多峰现象。通过权值自适应策略达到根据当前帧目标的位置增强目标区域响应输出，抑制非目标区域的响应。将M个响应输出加权融合后与单层卷积层叠加，作为最终的响应输出。
　　为了验证本文提出的算法的有效性，本文在OTB数据集和VOT数据集上做了一系列实验。在OTB数据集中：在挑选出的50个较难的序列上验证了本文的算法相对于单层卷积层在目标局部遮挡，快速运动，尺度变化等情况下有更好的表现效果；然后与CREST在OTB-2015上进行对比，进而在OTB-2015上和目前表现较好的算法做出对比，本文的算法均取得了较好的结果。在VOT上和一些当前处于领先水平的跟踪器进行实验对比。实验证明本文的算法能更好的适应目标在运动过程中的发生的变化，具有更强的鲁棒性。