目标跟踪是计算机视觉领域中研究的热点和难点,尽管在近几十年的发展中,研究者们提出了层出不穷的跟踪算法,取得了丰硕的成果,但是由于各种影响因素的存在,当前大部分的目标跟踪算法仍然很难达到理想的跟踪效果。并且目标跟踪又是很多高层计算机视觉任务,如视频监控、视频检索、人机交互、交通监测、汽车导航以及增强现实等不可或缺的中间步骤,因此对于目标跟踪问题的研究仍然具有十分重要的理论意义和现实意义。本文针对目标跟踪任务中存在的问题,提出了一种基于中心对比卷积神经网络的训练方法以及一种小运动优先的跟踪框架,主要工作内容和创新点如下:(1)针对传统手工特征表示能力不足的问题,引入卷积神经网络进行特征的提取,在卷积神经网络模型的选择上,注意综合考虑低层特征的判决性与高层特征的语义性,设计合适规模的网络以适应目标跟踪任务中跟踪特定目标的需求。(2)设计中心对比损失函数,计算对比损失,解决了在目标跟踪任务中样本没有明确分类的问题。在实践中,将不同种类的样本封装打包送入网络,实现了在单支网络中对多类别输入的计算,简化了输入规模和数据的预处理。(3)对目标的边界框运动规律建模,提出了基于图片相似性和空间小运动优先的跟踪框架。本文进行了充分的实验仿真,对于算法的定量和定性评价也都证明了算法的有效性。