目标跟踪技术是计算机视觉领域的重要分支，在智能监控、自动驾驶和军事国防等领域有着广泛运用，具有重要的研究意义与实用价值。其中，以相关滤波为基础的传统和深度跟踪算法成为近年来的热点研究方向，许多研究人员对其进行深入研究，取得了大量研究成果。但与此同时，其仍然面临着诸多挑战，在实际复杂应用场景中受到目标自身内部因素和环境外界因素等干扰，固定的跟踪模型往往难以应对跟踪时变因素(目标形变、目标遮挡、复杂背景等)带来的挑战。本文针对传统相关滤波算法和孪生网络系列跟踪算法跟踪模型自适应问题展开研究，并面向实际应用需求研究孪生网络算法的嵌入式平台部署问题。
　　针对部分传统相关滤波算法使用固定学习率更新跟踪模型，在目标遮挡、目标形变和快速运动场景中不加区分地更新模型导致模型污染问题，本文在Staple的算法基础上提出基于高斯残差峰值比的学习率自适应算法，结合边缘半峰比值法估计高斯核尺度，计算生成标准高斯峰与实际响应的残差峰值比感知相关面响应图能量分布，动态评估跟踪质量，自适应调整学习率，减轻模型污染问题。在OTB100数据集上实验结果表明，本文提出的算法相比原始算法总体平均跟踪精度提高3.5%。
　　针对Siamese系列深度学习跟踪算法无法自适应更新模型问题，本文在SiamRPN算法的基础上提出基于时域学习的自适应跟踪算法，利用卷积循环门控单元(ConvGRU)从跟踪目标序列中学习如何预测跟踪模型，通过数据驱动融合历史帧中跟踪目标的时域信息，将推理阶段静态的one-shot检测转化成动态的few-shot检测问题，在线学习时域相关性动态预测适应下一帧稳定跟踪模型，解决模型的自适应更新问题。在OTB100数据集上实验结果表明，本文提出的算法相对于原始算法具有更高的精度和成功率，平均跟踪精度提高1.2%。
　　针对跟踪实际应用中小型化、低功耗的需求，本文面向海思Hi3559AV100嵌入式平台部署孪生网络跟踪算法。结合硬件特点设计孪生网络跟踪算法部署方案，通过神经网络推理引擎(NNIE)部署量化神经网络模型，使用内存复用策略优化模板和搜索分支特征提取过程，联合NNIE和ARM实现孪生网络前向推理流程。实验结果表明，部署的算法性能能够达到地空背景移动目标跟踪的课题任务需求。