目标跟踪作为人工智能的重要基础研究,在很多领域具有重要的应用。目前基于相关滤波器和深度学习的方法在目标跟踪领域取得了巨大的成功,但是构建一个高精度且鲁棒的目标跟踪系统仍然是一个巨大的挑战。本文以深度孪生网络模型为理论基础,重点关注网络中的模板选取、特征提取和分层特征,并结合相关滤波算法开展研究工作,具体的研究工作概括如下:(1)提出了一种通过注意力机制结合第一帧和上一帧模板的目标跟踪方法,在复杂背景下得到更鲁棒的跟踪结果。通过结合上一帧的跟踪结果和第一帧作为模板帧,经过空间注意力模块聚合两者的特征图,通道注意力模块重新分配每个通道的权重得到最终的模板特征。并用更深的特征提取网络来提取特征,通过对小卷积核的堆叠实现大的感受野,不仅减少了神经网路训练参数的数量,同时也增加了网络的深度,可以获得更精确的目标特征表达。在公开数据集上进行实验,实验结果显示了提出的算法鲁棒性的提升。(2)提出了一种结合背景感知相关滤波器和分层响应图加权融合的目标跟踪方法,在复杂背景下获得更加精确的跟踪结果。将上下文感知相关滤波器嵌入到深度孪生网络中,通过引入目标的上下文信息,并直接合并到滤波器模板的学习上去,提高相关滤波层的进一步特征提取的质量。由于相关滤波层的存在,使得孪生网络仅适用浅层特征就能获得不错的跟踪性能,但是深层特征含有丰富的语义信息,对目标显著的外观变化具有鲁棒性。为此本文提出了对浅层和深层的卷积特征生成的响应图进行加权相加,以获得目标更准确的表示。实验结果表明,本文提出的算法相较于基准算法,可以得到更加精确的跟踪结果。