随着我国经济的高速发展,科学技术的不断进步,社会对各个公共领域的安防需求也在不断提升。如何在高危区域对异常目标进行鲁棒跟踪是社会安防任务中亟待解决的问题之一。基于此问题,本文结合高危区域下的跟踪需求来开展相关研究工作。本文的主要工作和研究成果内容如下:（1）研究了现有典型跟踪算法的优点和不足,探讨了典型跟踪器还未能达到的性能及其对应的提升途径;探索了在实际场景下对异物进行跟踪所面临的关键问题。（2）提出基于互注意力指导的孪生跟踪算法。针对高危区域监控视频中存在的复杂背景、相似物干扰等问题,本文引入互注意力网络来增强跟踪器的分类能力。使用无锚框回归网络对目标的尺寸大小进行回归,解决锚框需要提前预设宽高比的问题,并且能够更好地应对目标形变的不确定性。同时,针对无锚框网络设计了新的正负样本标签分配策略,使得跟踪器能够聚焦于目标的中心位置。通过实验分析,该方法在公共数据集和实际高危区域视频集上的表现优于传统的孪生跟踪算法,但是若跟踪过程中出现相似物重合、遮挡问题时跟踪器会丢失目标。（3）提出基于时序修正的孪生跟踪算法。针对高危区域监控视频中存在的相似物重合、遮挡等挑战,本文引入时序修正模块结合图像特征与时序运动信息来提升跟踪器的跟踪能力。通过实验分析相似物重合、遮挡导致跟踪器失败的原因,设计包含时序修正模块的多信息融合模型,使跟踪器能够利用特征网络与光流网络提取不同维度下的跟踪目标信息来实现鲁棒跟踪。最后在公共数据集与实际数据集上进行测试与对比分析。实验证明该算法在一定程度上能够解决遮挡问题,但是如果当视频出现遮挡时跟踪目标的运动发生突变,该算法将无法利用目标历史信息来进行跟踪。