目标跟踪是计算机视觉的重要分支之一,正随着信息科技的发展在人机交互、智能机器人、自动驾驶、国防安全、视频监控和智慧城市等领域中得到越来越多的重视和应用。尽管视觉跟踪技术在过去数十年中得到了长足的发展,但由于目标遮挡、尺度变化、外观形变以及相似物体干扰等跟踪环境因素的复杂多变,能够在多应用场景下满足对跟踪的精度、实时性和鲁棒性等需求仍是一项艰巨但有着光明前景的工作。本文基于深度学习算法模型,针对长时或实时跟踪时模型在目标形变、被遮挡、相似物体干扰等复杂情况下容易跟踪漂移或丢失的问题,进行深入的探索研究并提出改进方案,提高了跟踪精度和鲁棒性,并在特定应用场景下满足跟踪的实时性。本文主要研究工作如下:（1）针对长时跟踪时模型常由于目标遮挡、出视野等因素而导致跟踪漂移的问题,基于二分类模型提出一种能有效在线更新参数的目标跟踪方法。首先,引入一种改进的收缩损失函数,以解决模型在线训练时正负样本不均衡的问题;其次,设计一种高置信度保留样本池,对在线跟踪时的每一帧的有效并且置信度最高结果进行保留,并在池满时替换最低置信度的保留样本;最后,在模型检测到跟踪失败或连续跟踪帧数达到特定阈值时,利用保留样本池进行在线训练更新模型,从而使模型在应对长时跟踪时保持鲁棒和高效。实验表明该方法在跟踪精度和成功率上都展现了较强的竞争力并有着良好的鲁棒性。（2）针对孪生网络跟踪模型难以应对目标形变、相似物体干扰等复杂跟踪因素的问题,提出一种融合残差连接与通道注意力机制的快速目标跟踪方法。首先通过残差连接将模板分支网络提取的浅层结构特征与深层语义特征进行有效的融合,以提高模型的表征能力;其次引入通道注意力模块,使模型自适应地对不同语义目标特征通道加权,以提高模型的泛化能力;最后设计并提出一种基于相关性响应值的权重掩码,在离线训练时提高相似语义目标损失值的权重,使模型在端到端的离线学习中增强对相似语义目标的辨别力。实验表明该方法有着良好的跟踪性能并具有优越的实时性。（3）基于Flask应用框架,将本文所设计实现的目标跟踪算法实现于Web系统中,用户可在浏览器页面中与服务器进行自主交互,能够实现对多个摄像头所捕获的实时视频帧流中的多个目标物体的选中、读取后台算法模型对各目标的定位数据以及重置跟踪目标等功能;服务器端则实时监听用户行为,对用户选中目标进行定位跟踪,并回传图像和位置等数据给前端页面显示,以及生成日志文件等。对系统的功能性和非功能性测试验证了所开发系统的稳定性、兼容性和可靠性,系统的运行结果则验证了本文算法的实时性和鲁棒性,展示了本文算法的实用意义。