目标跟踪是计算机视觉领域极具挑战性的研究方向。近年来,提出了很多优秀的跟踪算法且取得了突破性的进展,但是由于应用场景复杂多变,且包括背景杂波、形变、快速运动、光照变化、遮挡、尺度变化等影响因素,对目标跟踪的研究和实现带来巨大挑战。本文首先对已有经典的目标跟踪算法和方法进行分析研究。基于相关滤波的方法由于极高的计算效率,跟踪实时性非常强,但是由于目标特征表达不充分、不具体导致跟踪精度较差。基于深度学习的方法,凭借卷积神经网络强大的特征表示能力,使得目标跟踪的精确度和鲁棒性有很大提升,但是由于神经网络中包含大量的参数和运算,需要耗费大量的时间和空间,导致目标跟踪的时效性很差。为了解决目标跟踪精确度和跟踪速度难以平衡的问题。本文主要研究内容如下:(1)对传统的基于卷积神经网络目标跟踪算法进行改进,利用树型结构动态更新CNN。通过树结构中多个卷积神经网络共同工作,完成目标的状态识别。同时不断更新树中CNN,使其对物体外观的多模态处理性能增强。这对于高速运动物体的跟踪有较大的帮助。实验证明,提出的算法并未明显增加计算性能需求,同时又能支持更高精度的快速识别和跟踪。(2)构建了一个附加判断机制的浅层网络,能够通过干扰物出现的数量和次数自动选择特征的匹配。当某一帧图像仅包含目标或包含少量的类似物时选择低级的特征就能轻松的标记目标;反之则使用高级语义特性。如此即能准确定位又能降低计算复杂度进而提高跟踪速度。由于视频序列中,物体在当前帧的位置与上一帧的位置移位并不大,通过以上特征,就能很容易的建立相邻帧之间的联系,快速、准确的预测目标在下一帧的位置。(3)通过分析Siamese网络的特点,提出一种新的目标跟踪方法。对Siamese网络的每个分支同时构建AlexNet浅层网络和改进的ResNet深层网络,用于特征提取。同时进一步进行分类和回归,以端到端的方式同时进行学习。提出一种新的跟踪策略,对提取到的特征进行多特征融合,增强判别力,提高目标跟踪精度。采用由局部到全局的搜索策略,减少计算复杂度,降低时间资源和空间资源的浪费。在目标跟踪标准数据集上(OTB、VOT),对本文算法进行测试。通过与已有的一些跟踪器进行定量、定性分析比较。实验结果表明,本文算法能够在确保跟踪速度的前提下提高跟踪准确度。同时,在形变、遮挡、背景杂波等影响因素下能够鲁棒地跟踪目标。