近年来,视觉目标跟踪作为计算机视觉领域中的一个重要研究方向,已成为目前研究的热点之一。目标跟踪技术虽然随着深度学习的发展和计算机性能的提升已取得较大的进展,但是仍然面临诸多难题,运动目标发生尺度变化、形变,运动目标周边存在复杂背景、相似目标、光照变化等会导致追踪器产生漂移从而跟踪失败,故解决跟踪难题提高追踪器的准确性是研究者一直以来致力的方向。在阅读大量国内文献的基础上,本文首先对视觉目标跟踪的研究背景、意义以及国内外现状进行了介绍;其次,简述了相关滤波器、深度追踪器、注意力机制的相关知识。结合滤波器、深度孪生网络的优势以及注意力机制的优越性,本文在深度孪生网络的基础上提出了基于目标似然矩阵的滤波器的目标跟踪模型、基于通道空间注意力串行模块的目标跟踪模型,并且为证明所提方法的可靠性,设计实现了基于目标似然矩阵和注意力模块的深度视觉目标追踪原型系统。本文的主要研究工作如下:1)提出了基于目标似然矩阵的滤波器的视觉目标跟踪模型。基于深度孪生网络的视觉目标跟踪模型简单且能兼顾精度和速度,但是该模型由于不更新跟踪模板导致不能很好的处理形变、背景杂乱等视觉目标跟踪难题,而滤波器可实现快速计算,通过滤波器学习实时模板可减少系统开销,但是也带来了边界效应问题。因此,提出在深度孪生网络模型中通过目标似然矩阵来辅助滤波器学习滤波模板的方法,目标似然矩阵由权重矩阵和空间矩阵构成,既刻画了目标的统计信息又刻画目标位置信息,能够抑制边界效应。实验结果表明,该方法能够更准确地获取目标的位置和形状,从而可以提高视觉目标追踪器的性能。2)提出了基于通道空间注意力串行模块的目标跟踪模型。滤波模板的学习是基于特征图的,而深度孪生网络的特征提取层采用浅层网络,浅层网络学习的深度特征可鉴别性不够强,模型会等价处理目标和背景区域,当目标发生剧烈变化时容易引发跟踪漂移,同时也会因引入无关背景增加计算工作量,进而影响追踪器的准确性和实时追踪性能。因此,本文提出在深度孪生网络的特征提取层采用通道空间注意力串行模型,该模型从通道空间维度出发有效融合神经网络底层的细节信息和高层的语义信息并突出目标的显著性区域。实验结果表明,该方法能够同时提高孪生网络两个分支目标特征表达的可鉴别性,从而提高视觉追踪器的准确性。3)采用matlab和C++联合混编技术,借助图像化界面语言Qt和计算机视觉库OpenCV等设计开发了基于目标似然矩阵和注意力模型的深度视觉目标追踪原型系统。该系统由模型训练、目标追踪和视频播放三大模块组成,系统界面简洁,具有良好的交互性,验证了所提视觉跟踪算法的可用性。