视觉目标跟踪技术是计算机视觉的基础研究方向之一,该技术在多个领域得到广泛应用。目标跟踪可以视为一个根据已知目标特征,在后续视频序列中持续定位该目标位置、尺度和轨迹的任务。近年来,基于孪生网络系列的目标跟踪算法不断被提出,该类算法将跟踪任务分为线下训练和线上跟踪两个阶段,在跟踪性能方面已经超越了传统相关滤波类的目标跟踪算法。虽然目前基于孪生网络的跟踪算法已经取得了不错的跟踪性能,但是该类算法在遇到光照变化、遮挡、形变过大、尺度变化等挑战时,仍然会出现预测框准确度变差、跟踪漂移等问题。为了解决以上问题,本文从算法集成和模板更新两个方面展开研究,具体工作如下:（1）本文提出了一种利用目标语义信息进行跟踪纠偏的Semantics-SiamRPN算法。该算法首先通过检测网络计算目标的语义信息,在语义信息的基础上,使用两阶段目标优选的相近性预测方法剔除掉干扰目标,根据相似度匹配方法将潜在目标与历史跟踪结果的三颜色特征进行匹配计算,从而重新定位目标位置,实现对跟踪结果的纠偏。此外,为了提高检测网络的语义识别能力,本文对检测网络进行了迁移学习训练。本文在OTB50、OTB100、VOT2018数据集上进行了实验,结果表明本文提出的Semantics-SiamRPN算法明显优于基线算法DaSiamRPN和其它国际前沿算法。（2）孪生网络跟踪算法在遮挡、短时剧烈形变、背景干扰等复杂场景中的预测结果极易引入无关的背景信息,其中UpdateNet算法会将每帧的预测结果更新到模板中,影响了跟踪模板的纯净度。针对这一问题,本文提出了一种基于可靠性评估的模板稀疏更新方法。该方法首先使用可靠性评估机制对预测结果的置信度进行评估,然后根据评估结果设置稀疏更新条件,舍弃对低置信度跟踪结果的更新。最后,本文在VOT2018数据集上进行了实验,结果表明这种稀疏更新的方法在一定程度上保证了跟踪模板的纯净度,提升了跟踪算法的性能。