近年来,很多优秀的单目标跟踪算法被研究者提出来,在主流的目标跟踪数据集上取得了长足的进步。然而,这些方法大都将注意力放在目标分类方面,目标尺度的评估却没有得到足够的重视。大多数目标跟踪网络对目标尺度评估的方式有以下几种:多尺度测试,预设固定尺度Region Proposal Network（RPN）,反向迭代优化等方式。这些目标尺度评估方式没有考虑到相邻帧之间的潜在信息。为了更好的对目标尺度进行评估,本文主要工作内容和创新点可总结为以下三点:第一,为了在尺度评估部分充分考虑相邻帧之间的联系,本文提出了一种基于动态锚点的目标跟踪网络。不同于预设固定尺度的RPN的方式,本文利用上一帧的尺度作为当前帧锚点的初始化尺度,从而充分利用相邻帧之间的尺度信息,并预测新的尺度。第二,由于每个锚点没有固定的初始化框,因此网络无法学习到每个锚点对应的语义范围。为了解决这个问题本文提出了边界支撑模块。该模块将不同初始化框中的特征映射到对应的锚点上,使得网络能学习到每个锚点对应的语义范围,与动态锚点方案形成互补。第三,由于Discriminative Correlation Filter（DCF）的方式预测的目标中心是一个粗略的位置,因此为了更进一步提高定位精度,本文增加了一个离线的中心修正分支。在DCF预测的中心的基础上,进一步调整中心位置,得到更加精确的目标中心,进而提高目标跟踪的性能。为了验证上述所提到的方法的有效性,本文在主流的目标跟踪的5个数据集上对该算法进行评测。其中UAV123,La SOT,以及Tracking Net采用One Pass Evaluation（OPE）的方式对跟踪器进行评估。VOT2018,VOT2019采用Expected Average Overlap（EAO）的方式对跟踪器进行评估。实验证明在5个主流数据集上,本文方法可以有效提高目标跟踪的性能。其中在相邻尺度变化较为平滑的数据集La SOT上取得了最优的结果。另外为了证明动态锚点,边界支撑模块,中心修正分支在最终性能中的贡献,本文分别对不同模块进行充分的实验进行验证。