目标跟踪任务指的是在视频序列第一帧人工标注出目标边界框,在后续的视频帧中跟踪目标的位置。随着深度神经网络的发展,基于孪生网络Siamese的目标跟踪算法近年来发展十分迅速,因为这类跟踪算法能在保证实时性的同时得到高精度的跟踪结果。然而基于孪生网络的跟踪算法仅利用第一帧的目标模板信息,在搜索区域根据相似性度量确定目标位置。跟踪过程中没有对模板进行更新,仅利用目标信息无法区分目标和场景中相似物体、简单的相似性度量泛化性不高,这些问题在一定程度上制约了Siamese系列网络的表现。本文以孪生网络为基准网络,首先结合注意力机制设计一种有效的特征提取网络,然后根据初步跟踪质量建立一个在线正负样本库,采用目标和背景双模板匹配解决跟踪过程中相似物背景干扰。主要贡献如下:（1）提出一种结合补偿注意力机制的实时目标跟踪器。首先在孪生网络模板分支和搜索分支的特征提取模块引入注意力机制提升网络对目标的特征表达能力。但注意力机制无法分辨与目标类似的干扰物,因此搜索分支的注意力机制会同时增强目标和相似背景的特征表达能力。针对这个问题,文中在双分支注意力的基础上提出了一种补偿注意力模型,将模板分支选择的注意力引入搜索分支,融合搜索区域注意后的特征和模板分支选择的注意力,利用模板分支中对目标的特征注意加权提高搜索分支对目标的特征判别能力。（2）提出一种基于跟踪质量评估和在线样本库的跟踪算法。首先本文分别构建了一个在线正负样本库,正样本库由目标在不同帧的跟踪结果组成,负样本库由难例样本帧中干扰物组成,收集不同的目标信息和背景信息增加判别器的可靠性。然后根据Siamese RPN++初步跟踪结果的质量设计了一种难例样本帧判断策略,当分类响应图存在多峰值且峰值相关能量超过阈值,当前帧为难例样本帧,其跟踪结果进行二次判别。最后学习一个判别器,对跟踪质量差的候选特征和模板库中正负样本特征的相似度进行对比,输出正确的正样本。该算法在复杂场景、相似物干扰等情况下也能精确判断目标位置,跟踪器的鲁棒性得到提升。（3）在OTB、VOT、La SOT数据集上将本文算法和目前主流算法进行对比,实验结果证明,本文算法在存在遮挡、相似物干扰、高速运动等情况下精度和鲁棒性都得到了提升,并且处理速度达到了47fps,可以实现实时的目标跟踪。