目标跟踪是计算机视觉领域一个重要的研究方向,它的目的是在给定视频第一帧目标框的情况下,能够在后续的视频帧中对该目标的具体位置进行准确、鲁棒地预测。这项研究在视频监控、无人驾驶、机器人、还有基于物联网的智能系统等方向有着广泛的应用,也是国家推行的“平安城市”、“智慧城市”的重要手段,有着很强的理论研究和现实意义。传统的目标跟踪技术需要手工制作目标模型或提取目标特征,然后在后续视频帧中进行相似性搜索,逐渐迭代实现目标定位。但传统的目标跟踪技术需要手工设计特征,不仅费时费力,且准确度低,跟踪效果一般。得益于大数据及GPU的发展,基于深度学习的目标跟踪技术成为解决该问题的有效途径。该技术是利用卷积神经网络学习训练数据集中特定目标的特征,以期在场景中能够准确地跟踪到特定的物体。然而由于真实环境的复杂多样,目标会遇到诸如形态变化、尺度变化、遮挡与消失、图像模糊等影响跟踪的问题。如何设计出对被跟踪目标判别能力强的目标跟踪算法是计算机视觉领域一个急需解决的任务。本文立足于前人丰富的研究成果,并对基于暹罗（Siamese）网络的目标跟踪方法进行了深入研究,其一是对训练数据集进行了更适合目标跟踪的数据增强（Data augmentation）,其二是对网络进行了高效的多层特征聚合（Multi-layer feature aggregation）。所提出的新算法命名为Di MP+,主要过程如下:（1）首先对训练数据集进行数据增强,新引入颜色抖动（color jitter）以及自定义运动模糊（motion blur）数据增强策略以生成更适合目标跟踪的训练样本,提高训练的质量。（2）然后改进ResNet-50特征提取网络,由于大的卷积步伐会导致定位准确度的降低,本文将第三层与第四层的步伐从2降为1。另外,为了实现后续的多层特征聚合操作,同时降低计算量,在第三层和第四层之后分别加入Conv3与Conv4进行特征的提取,并将这两个卷积核的通道数都设为1024。（3）然后将Conv3与Conv4的输出进行多层特征聚合,将低水平的细节特征与高水平的语义特征聚合,来获得更具有判别力的特征图。（4）最后将输出的特征图通过模型预测器中进行在线更新,输出最终的目标位置。实验结果表明,所提出的算法在VOT2018数据集的平均期望覆盖率（EAO）评价指标上比基线算法提高了4.88%,在UAV123数据集的成功率和精确率指标上比基线跟踪器分别提高了4.5%和4.4%,在La SOT的测试集成功率和精确率指标上比基线跟踪器分别提高了9.2%以及11.4%,充分证明了改进后的模型具有更强的判别力,能够有效地提升跟踪的性能。