视觉目标跟踪是计算机视觉的核心问题之一。基于孪生网络的判别式深度学习方法在单目标跟踪领域取得了优越的性能,但是为了保证跟踪速度,主流的跟踪器普遍采用常规卷积主干网络,导致模型在跟踪精度上有所损失。针对现有跟踪器未能有效挖掘目标特征的缺陷,本文引入注意力机制,构造了自注意力和空间注意力模块实现判别学习和特征融合,在不显著增加额外计算量的同时提升了单目标跟踪模型的性能。此外,针对多目标跟踪中基于中心点的嵌入特征无法全面表达目标实例的缺陷,设计了基于注意力的准星嵌入模型,实现了准确的多目标跟踪。在上述研究的基础上,研究了基于注意力目标跟踪网络的嵌入式部署。主要工作和创新如下:1.设计了基于Transformer的单目标跟踪器（Object Tracking with Transformer,OTTR）。首先,在判别式深度目标跟踪网络中加入自注意力模型Transformer,利用Transformer强大的序列学习能力对目标准确定位和尺度估计;其次,设计了高层语义指导低层特征的单边空间注意力模块（Unilateral Spatial Attention,USA）,提升了目标的定位精度,同时克服了特征金字塔（Feature Pyramid Network,FPN）结构所带来的参数量较多的缺陷。将方法在多个单目标跟踪数据集上进行验证,实验结果表明:OTTR在OTB100（低分辨率）基准、GOT-10k数据集以及UAV123数据集上分别取得0.654、0.448和0.585的AUC分数,其中在UAV123数据集上跟踪精度比Siam RPN++跟踪器提高了3.7%。基于单边空间注意力的跟踪器（Tracker Based on Unilateral Spatial Attention,TBUSA）相较Di MP单目标跟踪器在GOT-10k数据集上AUC获得了1.1%的提升;相较Di MP单目标跟踪器在UAV123数据集上AUC获得了0.6%的提升。2.设计了基于USA的准星嵌入多目标跟踪器（Crosshair Embedding Multi Object Tracker,CEMOT）。首先,将USA用于多目标跟踪模型,在不显著增加额外计算量的条件下将高层特征融入到低层特征,在MOT16基准上相较Fair MOT提升了0.2%,在MOT17基准上相较Fair MOT提升了0.1%;其次,针对基于中心点检测器的多目标跟踪模型仅使用中心点处的嵌入特征进行数据关联,导致嵌入特征无法全面表达目标实例的缺陷,设计了五点准星嵌入特征数据关联方法。在训练阶段,约束包括中心点以及周围五点处的损失函数,在跟踪阶段,使用准星处的嵌入特征进行检测对象集合与跟踪片段集合的数据关联,在MOT16-val基准上多目标跟踪精度（Multi Object Tracking Accuracy,MOTA）相较CEMOT Baseline提升了0.1%,在MOT20-val基准上MOTA相较CEMOT Baseline提升了0.1%。3.实现了基于USA的单目标跟踪模型MDNet和Siam FC在现场可编程门阵列（Field Programmable Gate Array,FPGA）上的部署。首先,使用Tensorflow框架设计了基于USA的MDNet和Siam FC单目标跟踪模型,并在GPU端进行模型训练;其次,基于VCU1525平台使用FPGA对模型中主干网络（包括卷积、池化、激活函数等模块）进行加速,在精度不损失的情况下,实现了MDNet网络在FPGA上运行速度比GTX1060（GPU）上提升了37.69%,Siam FC网络运行速度比CPU上提升了2倍。