视频目标跟踪一直是计算机视觉应用领域的热点研究问题之一,视频目标跟踪的相关成果在社会生产及生活中发挥着巨大的作用,例如在武器装备的精确制导、无人驾驶、视频监控等领域均得到广泛的应用。尽管视频目标跟踪已经在各个应用领域都取得了极大的成就,但是由于现实环境中存在多种复杂的因素和干扰,导致当前的视频目标跟踪算法仍然面临很多挑战,还有很大的提升空间。本文针对当前孪生深度网络目标跟踪中特征融合方法和分类回归的准确性展开研究,对当前存在的问题提出了两点改进。论文主要完成的工作如下:第一,为了解决孪生网络目标跟踪中深层和浅层特征融合时语义位置信息不一致的问题,提出了基于注意力的级联特征融合方法。该方法将深层特征和浅层特征通过一个级联的注意力模块,在通道信息上进行全局的特征融合,使得融合后的特征能够在语义和位置上具有更好的表现力。同时我们引入权重网络,通过该网络能够将模板分支的通道重要性传递到搜索分支上,使得搜索分支更关注要跟踪的目标,而对于目标周围的干扰物给予更少地关注,从而提升目标跟踪的准确性。基于OTB100和UAV123两个基准数据集的对比实验表明,本文提出的改进算法具有更优的跟踪性能。第二,为了提升孪生网络目标跟踪中对目标进行分类和回归的准确性和鲁棒性,提出了基于注意力的分类回归头。通过在分类分支添加分类注意力模块提升跟踪算法对目标和背景的判别能力,在回归分支添加回归注意力模块提升对目标跟踪框定位的准确性。基于OTB100、UAV123、VOT2016、VOT2018、VOT2019五个基准数据集的对比表明,在第一种改进方法的基础上引入注意力分类回归头能够进一步提升算法的跟踪性能。