目标跟踪是一项持续追踪视频序列中指定目标的任务。仅根据视频给出的某一帧图像,通过算法完成视频后续帧中的目标跟踪。目标跟踪一直是人工智能领域的研究热点。目前,目标跟踪技术已被应用在视频监控、自动驾驶和军用无人机等诸多领域。由于深度学习技术在目标跟踪上的广泛应用,涌现了一大批性能优秀的跟踪算法,其中最具有代表性的是全卷积孪生网络目标跟踪算法Siam FC。早期的孪生网络算法大多采用浅层的特征提取主干网络,模板不能更新,在面对现实生活中目标被遮挡、尺度缩放等复杂场景时,仍然存在跟踪效果不佳的问题。此外,还必须考虑算法的跟踪速度。因此,针对上述问题,本文基于孪生网络对目标跟踪进行了研究,所做工作如下:（1）提出基于多层特征加权融合的跟踪算法Deep Siam:首先,算法弃用Alex Net网络,采用改进的Res Net-50作为主干网络,利用深层神经网络提取更充分和更复杂的目标特征。其次,对主干网络按层进行特征加权融合,获得低层外观特征和高层语义特征,增强特征对目标的表征能力。实验表明,所提方法在目标跟踪测试数据集上取得了较好的跟踪性能,有效提高了算法处理目标被遮挡的鲁棒性。（2）提出基于增强型混合注意力的跟踪算法ESASiam:结合通道注意力和空间自注意力在深度卷积网络中的聚焦能力,突出图像中感兴趣的区域。通道注意力能够使网络抓取到不同通道之间的特征联系,突出有利于表达目标的通道特征。空间自注意力能让网络建立任意两个不同像素位置的相关关系,帮助定位目标。此外,设计了一个模板-搜索协同注意力模块来隐式地更新模板特征,采用沙漏网络对经主干网络提取的模板特征和搜索特征做多尺度信息交互,有效提高了算法处理目标尺度变化的鲁棒性。（3）提出融合时空上下文信息的跟踪算法STASiam:通过构建一个拉普拉斯型模板特征集合聚合视频中的时序信息,并通过交叉注意力模块前向传播至搜索区域。对于搜索区域特征,模板特征集合被视为一个聚合了不同模板帧特征的掩膜,有助于充分利用视频序列帧与帧之间的上下文信息,解决了Siam FC模板不能更新的问题。