目标跟踪是计算机视觉领域中的重要研究方向,在视频监控、智能交通、视觉导航和军事制导等方面有着深刻的研究意义和深远的应用前景。目标跟踪的实质是在连续的视频图像序列中预测特定目标状态,即持续估计目标对象位置和尺度信息。然而,在实际跟踪的复杂环境下,实现准确性高且鲁棒性强的目标跟踪面临众多困难和挑战。利用深度神经网络实现的目标跟踪算法由于其高效的特征表达能力和分类判别能力备受关注,本文以基于卷积神经网络的跟踪算法为基础,分别从网络模型构建和外观特征建模的角度对目标跟踪算法的鲁棒性进行深入研究,旨在提高算法准确性和稳定性,从而有效缓解复杂跟踪场景下的目标漂移问题。本文针对网络模型在长期跟踪过程中被歧义样本污染导致可靠性降低的问题,提出了一种基于可靠性度量网络的目标跟踪算法。该方法将可靠性度量网络和任意卷积神经网络通过共享卷积层的方式进行连接,利用双重网络判定当前预测结果的可靠程度并且修正偏差跟踪结果,从而有效避免预测误差过度累积和整体网络判别能力下降的问题。为使可靠性度量网络能够更加准确地估计预测结果与真实目标的相似程度,该方法采用特征选择模型和相似度量融合策略分别优化目标外观特征和相似度量标签,以此获取高效的外观特征表达能力和样本相似度判别能力。实验结果表明,可靠性度量网络能够提高跟踪算法的准确性和鲁棒性,有效缓解歧义样本更新污染网络造成的目标漂移问题。本文针对候选区域生成网络的外观特征模型对目标前景与语义背景判别能力较弱的问题,提出了一种基于注意力机制的多尺度目标跟踪算法。该方法在孪生候选区域生成网络的基础上引入注意力机制来实现目标自适应显著特征表达,主要是从空间注意力和通道注意力两方面进行特征优化选择,即利用空间注意力网络学习平面特征权重,增强目标前景特征且抑制背景干扰信息;利用通道注意力网络学习维度特征权重,丢弃冗余噪声特征来精简外观特征表达。此外,根据不同层次特征的特性差异分别对高低层特征进行通道特征选择和空间特征选择,旨在关注目标外观相似性特征和分类语义特征。实验结果表明,该方法能够着重关注目标前景与语义背景的差异特征,从而提高整体网络对目标前景和干扰背景的判别能力,有效缓解目标漂移问题。