目标跟踪技术是计算机视觉领域研究的基础任务,其在视频监控、牲畜养殖管理及动物研究与保护等方面均有广泛的应用。随着深度学习技术的发展,目标跟踪算法的性能也得到了广泛提升,但在实际应用中仍面临许多挑战性问题。本文以孪生网络跟踪框架为基础,以西北农林科技大学畜牧教学试验基地中的奶山羊以及VOT2016、VOT2017、OTB2015和La SOT公开数据集为研究对象,在存在相似目标干扰、目标尺度变化、目标旋转和目标形变的情况下对目标跟踪技术进行了深入的研究与探讨。（1）制作了奶山羊运动视频数据集。本研究以西北农林科技大学畜牧教学试验基地中饲养的莎能羊（Shaneng Sheep）为对象制作了奶山羊数据集,并将其命名为DGDataset。该数据集包含200个奶山羊运动视频,共161000帧图像。在135个视频序列中,通过矩形框标注了目标的身体位置区域。在剩余65个视频序列中,通过矩形框标注了目标的头部位置区域,本文使用矩形框左上角坐标以及矩形框的长和宽来表示标注区域。（2）提出了一种基于增强型骨干网络的孪生目标跟踪算法。首先,本研究以具有相同架构并共享参数的两个分支的孪生网络为基础来实现。其次,通过设计的可堆叠模块（多卷积残差模块和下采样多卷积残差模块）对卷积神经网络进行了加宽和加深,以增强特征映射能力。同时利用非对称卷积块替换方形卷积核,进而增强模型解决目标旋转挑战的能力。最后,采用基于锚框的区域生成网络对图像中目标的区域进行定位,从而完成跟踪过程。本研究通过设计强壮的骨干网络在提高目标跟踪的鲁棒性的同时保持了实时性的速度。（3）提出了一种基于注意力机制和无锚框网络的孪生目标跟踪算法。由于浅层特征包含的细节信息和深层特征包含的语义信息分别有助于定位目标和区分类间目标,本研究首先将Efficient Net作为骨干网络提取多层级特征,并通过Bi FPN模块将其聚合以构建鲁棒的和具有辨别性的特征表示,以便在相似性目标干扰和目标发生形变时区分目标与背景。其次,针对目标跟踪器易发生漂移问题,采用注意力模块指导两个分支学习上下文信息,并构建模板分支和搜索区分支间的纽带,以进一步增强目标跟踪器应对相似性目标干扰和目标形变的鲁棒性。最后,针对在实际场景中,目标尺度变化导致的目标跟踪器精确度低的问题,本研究采用无锚网络来定位每一帧图像中目标所在的区域。本文对上述两个算法在DG-Dataset数据集上进行测试。同时,为了验证算法的泛化能力,在VOT2016、VOT2017、OTB-2015和La SOT数据集上分别进行了测试,并与当前主流的目标跟踪算法比较。结果表明,本文提出的两个目标跟踪算法均以实时的速度取得了显著的性能收益,对视觉目标跟踪技术和牲畜智能化跟踪监视技术的发展具有促进作用。