在计算机视觉领域,目标跟踪作为基础研究问题引起了大量研究人员广泛的研究兴趣,大量优秀的算法被相继提出。目前,目标跟踪算法已经广泛应用于视频安防、智慧交通、自动驾驶等领域。在实际应用场景中,目标跟踪过程往往伴随着光照变化、背景干扰等一系列问题,而这些问题会使跟踪器在跟踪目标时发生严重的漂移问题,即定位框偏离目标。如何有效的解决跟踪中的漂移问题始终是目标跟踪研究中的难点之一。因此,本文在深度学习的框架下,针对跟踪过程中的漂移问题进行了详细的研究。首先,针对跟踪器自身跟踪精度不足的问题,提出了融合多重注意力的Siamese网络目标跟踪算法。即在基于Siamese网络的跟踪算法上修改跟踪模型的骨干网络,融合本文提出的“多重注意力算法”,使模型提取出的特征具有更强的语义表达能力,从而获得更加准确的跟踪结果。其中,多重注意力算法融合了软注意力与自注意力两种视觉注意力机制,使其在有能力突出重要特征的同时,又能够对长范围依赖信息进行捕获。其次,对当前存在的几类跟踪算法进行了深入研究,针对当前跟踪器无法对已经出现的漂移问题进行矫正的情况,提出基于目标匹配与检测的漂移矫正算法,使目标跟踪器有能力监测到跟踪过程中的漂移问题,并且在发现漂移问题后可以主动的对其进行矫正,即有能力对目标位置进行重新定位,从而提高跟踪算法的性能。最后,将两种方法进行结合,实现性能更佳的目标跟踪算法,并在Pytorch深度学习框架下进行细致的实验验证及性能分析。