视频目标跟踪技术可以从视频帧序列中分析特定目标的运动参数及轨迹,为视频序列的分析和理解提供重要的依据和基础,是计算机视觉的重要组成部分,在城市交通监管、人机交互、机器人和无人机导航、汽车自动或辅助驾驶等领域有着广泛地应用。但在实际应用中跟踪器很容易被大量不确定的因素所影响,例如快速运动和同类目标干扰问题等,使算法性能面临着巨大的挑战。本论文基于现阶段流行的孪生深度网络跟踪框架,针对这些不确定因素和实际应用对基于区域推荐网络的孪生深度网络跟踪算法（SiamRPN）的模型训练阶段、模型准备阶段和算法跟踪阶段进行了研究和改进。本论文主要工作如下:第一,针对跟踪算法中特征提取模块提取特征时提取的特征不完备问题和目标快速运动问题,提出了基于轻量级孪生深度网络和动能分析的跟踪算法。该算法分别在模型构建阶段和算法跟踪阶段进行了研究创新。在模型构建阶段,将SiamRPN的特征提取模块替换为了参数量级相似但性能更好的轻量级网络MobileNetV2,改善了跟踪算法特征提取模块提取特征时的能力,提升算法准确性;在算法跟踪阶段,通过运用动能原理调整跟踪阶段的搜索框,提升了跟踪算法应对快速运动挑战时的性能。第二,针对网络模型区分同类目标能力不足的问题和标记方式不够准确的问题,提出了基于样本增强和目标倾斜角预测的跟踪算法。该方法分别在网络训练阶段和网络模型构建阶段进行了研究创新。在网络训练阶段,增加了COCO数据集以完善数据集的完备性,提升网络模型区分同类目标和背景目标的能力;在网络模型构建阶段,在网络模型中增加一路输出实现对目标倾斜角的预测,提升跟踪算法的准确性。在实验方面,本论文基于OTB-50、OTB-100、VOT2016、VOT2018四个目标跟踪领域公认的标准数据集对上述所提出的算法进行了实验和验证,并与当前的主流算法进行了详细地比较。实验结果表明,本论文所提出的算法具有更优的跟踪性能,尤其相较于基础算法SiamRPN都有着不同程度地提升。