视觉跟踪是计算机视觉领域的一个重要研究方向,在自动驾驶、军事侦察、视频监控、人机交互、无人机等领域都有广泛的应用。视觉跟踪的主要目的是在视频序列中,根据给定的初始目标信息在后续视频序列中预测该目标的位置、尺度、运动状态等信息。近年来,越来越多的研究人员从事跟踪算法的研究,各类跟踪算法在跟踪性能上都不断提升,但在目标遮挡、光照变化、快速运动、目标形变等复杂场景下的跟踪性能仍不够理想,所以,对跟踪算法进行更为深入的研究仍然十分重要。目前,深度学习技术在视觉跟踪中的应用十分广泛,在基于相关滤波的跟踪算法中,通过采用预训练的深度网络模型对目标进行特征提取,增强跟踪器对目标模型的表征能力;而基于孪生网络的跟踪算法,其整体框架采用深度网络进行构建,实现了端到端的设计。结合深度学习技术,视觉跟踪算法取得了一系列进展,但在复杂场景中,如目标的形变、旋转,光照变化、尺度变化等都容易导致跟踪失败,如何进行适当的模型更新、建立更加鲁棒的目标模型是一个需要解决的问题。针对上述问题,本文分别在孪生网络和相关滤波的框架下,从模型更新、特征增强两方面展开研究,本文的主要创新点和工作成果如下:（1）针对基于孪生网络的跟踪算法缺乏对模型的在线更新问题,提出一种基于在线学习的孪生网络跟踪算法:首先,将第一帧中的目标当作静态模板,在后续帧中使用高置信度更新策略获取动态模板;然后在线跟踪时,利用快速变换学习模型从双模板中学习目标的表观变化,同时根据当前帧的颜色直方图特征计算出搜索区域的目标似然概率图,与深度特征融合,进行背景抑制学习;最后,将双模板获取的响应图进行加权融合,获得最终跟踪结果。在OTB100、TC128数据集上的实验结果表明,模型的在线更新可以有效提升算法的跟踪性能。（2）针对基于孪生网络的跟踪算法在目标形变、尺度变化等场景下对目标的特征表达不足的问题,提出了一种基于非对称卷积和响应图置信度的孪生网络视觉跟踪算法。首先,将原始孪生网络中的d×d方形卷积替换为d×1、1×d和d×d的非对称卷积,用于丰富目标的特征空间;然后在网络的最后一层,并联添加三组非对称卷积核,获得由三组目标特征生成的三个响应图;最后,分别计算各个响应图的置信度,自适应分配权重进行融合,选取最优的目标预测位置。在OTB100数据集上的实验结果表明,引入非对称卷积模块有效增强了孪生网络的特征表达能力。（3）针对无人机视频场景中容易发生的目标旋转、形变等问题,提出了一种基于目标感知特征和由粗到精搜索的无人机目标跟踪算法:在相关滤波框架下,首先使用预训练的VGG19网络作为特征提取器,将网络的第四层和第五层输出作为目标特征;接着,在第一帧中通过一个回归损失函数筛选出能够感知目标的特征通道,用于后续跟踪时的通道选择;最后,为进一步提高跟踪性能,在使用深度特征获取目标粗定位的基础上,更新搜索窗口,再使用手工特征进行精确定位。在多个无人机数据集上的实验结果表明,所提出的算法具有较高的成功率和精度,在目标旋转、形变、背景干扰等复杂场景下具有良好的跟踪性能。