目标跟踪算法是计算机视觉领域中最重要的任务之一,其在辅助驾驶系统、目标行为分析及智能视频监控等实际场景具有重要作用。视觉目标跟踪需要在视频序列中持续精准地预测目标的位置以及尺度变化,确定目标的运动速度、方向和轨迹等动态信息,从而完成更高级的视觉任务。由于被跟踪目标往往存在部分或完全遮挡、尺度形变、背景杂乱等复杂因素的干扰,因此建立一个通用且鲁棒的视觉跟踪系统仍然存在巨大挑战。本文提出了一种基于全卷积无锚框孪生网络的目标跟踪算法,即Fully Conventional Anchor-Free Siamese Network(FCAF)。为了解决现有孪生跟踪器中基准网络相对较浅,导致跟踪器获得的特征较少,精度较低的问题,采用改进残差网络为跟踪器提供更丰富的特征表示,并引入多层特征融合有效结合低层细节信息与高层语义信息解决定位问题。此外,还提出了Anchor-Free Proposal Network(AFPN)网络来替换候选区域生成网络,虽然候选区域生成网络的回归能力提高了目标的位置检测精度,但锚框为网络带来了过多的超参数,通常需要昂贵的多次经验调整才能实现良好的性能。AFPN网络由相关和监督部分组成,相关部分采用深度互相关,监督部分包含分类和回归两个支路,为了减少低质量边界框的预测增加了度量网络分支,使得所提出的跟踪框架在减少网络参数的同时更获得了跟踪性能的提升。本文算法在OTB-2015和VOT-2016两个公共数据集上均达到了实时效果,取得了当前较好的跟踪性能。