视频目标跟踪技术作为计算机视觉的分支,已逐步发展成为人工智能领域中的研究热点。传统的粒子滤波跟踪算法,具有框架成熟、实时性好以及特征表述简单等优点,由于其具有非线性及非参数化的特点,可以较好地应用于视觉跟踪研究。但是在跟踪过程中常常会受到各种由于环境改变或者目标自身变化而产生的干扰,包括自身形变,复杂背景,光照强度变化以及遮挡等,干扰因素主要会影响到跟踪过程中对运动目标特征模型的构建,即根据选取特征进行匹配的过程。另一方面,随着深度学习理论的不断发展,依靠着在特征表述方面的巨大优势,基于卷积神经网络(CNN)的目标跟踪算法得到了越来越多的关注。卷积神经网络通过学习训练得到的自动特征表述,具有泛化性良好,表达能力强等优点,可以在一定程度上弥补传统特征的不足,进而取得更好的跟踪效果。但传统卷积神经结构在调整各层参数时,很容易收敛到局部的最值而不是全局的最值,池化层采用平均值方法,耗时大,对于图像模糊的目标定位不准确。本文针对存在的问题进行了研究,对传统卷积神经结构进行了改进,并提出一种基于孪生网络的深度学习目标跟踪算法。主要工作从以下几方面展开:1.对卷积神经结构的改进:针对传统卷积神经结构应用于目标跟踪中的问题,在深入研究卷积神经结构的基础上对其进行了改进,增加了归一化层,并采用最大值池化方式代替初始结构中的平均值池化方式等,有效增强了网络模型的泛化能力,提高了运行速度。在上述改进的基础上提出了ICNN-PF算法,经实验验证,比较基于传统卷积神经结构算法,ICNN-PF算法取得了更好的跟踪效果。2.引入孪生网络:提出了基于孪生网络和改进卷积神经结构的目标跟踪框架。孪生网络是图像识别中一种用于匹配的对称模型,由于目标跟踪中可以用于网络训练的样本集数量较少导致效果不理想,孪生网络可以从样本中学习度量数据彼此间的相似程度,这种相似度判断可以用来完成跟踪目标特征模型的构建。孪生网络将输入进行映射,在映射到的目标空间中采用距离计算的方式替代原有的最小方差对输入相似性完成度量,将相似度最高的预测位置作为后续帧中跟踪得到的目标位置,随后在目标空间中用损失函数方式衡量二者的相似度从而得到目标的准确位置。3.基于权值系数的模板更新改进:固定间断更新模板的方式有可能略过最佳模板导致跟踪结果不准确;逐帧更新的方式,虽然能在一定程度上缓解错过最佳模板的问题,但是由于当前采用的模板也可能受到干扰,并且频繁更新会占用较多资源而增大计算量。针对存在的准确性和计算量等问题,本文在跟踪算法流程的基础上采用结合不同视频帧信息的方式更新模板。预先设置一组系数作为权值因子,权值分配给不同序列构成一个集合,集合中的元素共同参与模板的计算与更新。提高了准确性和实时性。4.在后面两点改进的基础上,提出了DST目标跟踪算法,通过多种不同场景实验验证,比较传统粒子滤波算法和几种典型的深度学习算法,DST目标跟踪算法具有更好的准确性和鲁棒性,同时具有较高的应用价值。