作为计算机视觉领域(Computer Vision,CV)的重要课题之一,视觉跟踪(Visual Tracking)是指在连续的视频序列中估计运动目标的确切位置和所占区域,得到运动目标完整的运动轨迹,实现对运动目标行为的分析和理解,并为后续的高级任务做铺垫。视觉跟踪任务具有重要的现实意义,在许多领域有重要的应用,具体包括视频监控、人机交互、视觉导航等领域。目前视觉跟踪相关标记数据的缺乏仍然在很大程度上限制着视觉跟踪任务的发展,因此本文主要探究采用无监督训练方式的跟踪算法。本文的主要研究内容如下:(1)针对当前无监督视觉跟踪算法无法较好地利用无标记数据,无法从中提取出有用特征的问题,本文引入了拼图任务(Jigsaw Puzzles)来帮助特征提取网络训练:首先将输入图像平均切割成网格状,从每个网格中随机裁剪出一个图像块;然后将图像块的次序随机打乱,以打乱的次序作为类别;之后将打乱次序的图像块作为输入,使用孪生网络(Siamese Network)分别提取深度特征,预测图像块的排列次序。拼图任务的引入能使提取到的特征包含较为丰富的语义信息,能较好地描述目标,从而提高跟踪算法的准确性。(2)在引入拼图任务的基础上,本文探究了不同的特征融合方式对于跟踪算法性能的影响。其中前期融合的方法会先对提取到的多层深度特征进行融合,然后对融合之后的特征采用相关滤波算法预测目标的具体位置和所占面积。而后期融合的方法会对不同层的深度特征分别使用相关滤波算法预测得到对应的响应图,然后对得到的响应图采用某种方式进行融合以得到最后的结果。特征融合兼顾了所提取特征的语义信息和位置信息,对无监督跟踪算法的准确性提升有一定作用。(3)本文在主要的视觉跟踪数据集,包括OTB-50、OTB-100、LaSOT等数据集上进行了充分的对比实验。定量和定性的实验结果证明本文所提出的结合拼图任务与特征融合的算法不仅能够有效提高无监督视觉跟踪任务的性能,而且在与有监督的跟踪算法比较时也表现出了优异的跟踪准确性和实时性。