目标跟踪作为计算机视觉领域的重要分支,已经广泛应用于智能视频监控、自动驾驶、军事侦察、医学诊断等领域。传统的目标跟踪算法在面对目标快速移动、模糊、物体形变、光照变化等复杂场景的时候,有着很大局限性。随着深度学习的发展,一系列基于深度学习的目标跟踪算法逐渐被提出,这些算法凭借着卷积神经网络强大的特征提取能力,极大地提高了目标跟踪的精度,在面对复杂场景时也有着更好的鲁棒性。但是基于深度学习的跟踪算法网络层数多,参数量大,使得模型的训练和更新速度较慢。对此,本文设计了一种低参数的基于深度学习的目标跟踪算法,在保证跟踪精度的同时,大大地降低了模型的大小。针对深度学习跟踪算法参数量多、模型大的问题,本文提出了一种基于非对称卷积模块的网络结构模型。非对称卷积模块包括两个卷积层,分别为压缩层和非对称层,其中压缩层用来减小卷积核之间的通道数,降低模型的参数量,非对称层对特征进行重新融合,用来减少模型的精度损失。为了提高模型的跟踪精度,本文设计了一种新的三元组损失函数来对模型进行训练,与原来的逻辑损失函数相比,三元组损失函数能够充分地利用输入之间的潜在关系,使网络模型获得更高的跟踪精度。最后本文结合非对称卷积和三元组损失函数,提出了一种低参数的基于深度学习的实时目标跟踪算法。实验结果表明,本文算法通过使用非对称卷积模块,模型大小由原来的9.8M降低到了3.8M,使用三元组损失函数进行训练时,模型的精度也有所提升。并且与一些经典算法相比,本文算法也有着更好的跟踪精度,同时本文算法还有着较好的实时性,在GOT-10K数据集上的跟踪速度达到了97FPS,能够实现实时跟踪。