随着物联网和图像传感器的发展,智能视频处理算法的应用和需求越来越多。目标跟踪是智能视频处理算法的重要环节,传统的目标跟踪算法往往致力于通过改进手动设计特征或优化机器学习模型的方法来提高算法性能,但往往很难设计出最合适的特征工程与跟踪框架。深度学习可以自动学习特征工程,在计算机视觉的多个领域都取得了突破。深度学习通常需要大量的计算资源,这使得深度学习目标跟踪算法尽管有很好的精度却难以实现较快的跟踪速度。本文首先深入研究深度学习目标跟踪算法中具有代表性的MDNet算法、Siam FC算法和SINT算法,比较、分析基于前景、背景分类的算法和基于孪生网络进行相似度比较的算法优缺点。根据对比,基于孪生网络的目标跟踪算法可以离线训练特征提取网络,而基于前景、背景分类的算法由于需要在线进行反向传播更新网络参数,理论上难以实现实时性。为了实现更高速的目标跟踪,本文结合上述三种算法设计了全卷积孪生网络目标跟踪算法,将Siam FC算法的孪生结构和MDNet算法的边框回归器结合,采用两支结构、参数完全相同且同步更新的卷积神经网络分别作为目标分支和搜索分支分别接收t时刻目标图像和t+1时刻搜索图像,经过前向传导,将目标分支输出特征图和搜索分支输出特征图连接在一起,输入到用于回归运算的卷积层,在最后一层直接输出t+1时刻目标外接矩形框。本文设计的神经网络不从任何已经训练过的网络模型获取初始化参数,使用Image Net Video 2015标注数据集作为训练集端到端离线训练网络。本文设计的算法在跟踪时不对网络进行任何更新,只进行一次前向传导即可实现跟踪,跟踪速度达到了147fps。最后,在目标跟踪领域最具影响力的公开测试平台VOT上对算法进行性能评价并和其它优秀算法进行对比。不同场景的跟踪精度实验证明本文设计的算法主要提取的是目标外观特征和运动特征;全部测试序列的平均精度、鲁棒性排名证明,本文设计的全卷积孪生网络目标跟踪算法达到了较好的准确性和鲁棒性。