视觉目标跟踪是计算机视觉领域中的重要研究方向之一,它被广泛应用在很多领域,其中主要应用在视频监控、自动驾驶和军事指导等领域当中。在当前主要以孪生网络作为发展的目标跟踪方法当中,候选目标区域中推荐的质量显得十分关键。模型更新问题也成为相应目标跟踪方法中的重要研究内容。当前跟踪方法大多数都是采用锚点固定作为推荐的一种方式,该方式所生成的候选区域数量都是非常庞大的,但是质量并非很高。并且在孪生网络中,目标模板的更新方法一般都是以线性更新方法为主。跟踪器使用简单的线性更新方法来更新目标模型,但是不能处理好跟踪过程中外观变化过大的目标模块。为此,本文主要是对基于孪生网络的候选区域推荐与模板更新的目标跟踪算法进行研究。本文主要工作如下:1)本文提出了一种基于启发式候选区域推荐的目标孪生跟踪算法（Heuristic Candidate Region Proposal for Siamese Visual Tracking）。该网络模型由两部分构成,分别是模板分支和检测分支,模板分支主要被用于提取第一帧或前一帧目标图片的特征,而检测分支用于提取当前帧图片的特征。在提取当前帧特征之后,采用概率图的方法来预测目标可能会出现的位置,然后可以使用可变锚点方式在该位置周边生成候选区域;之后推荐相应区域的主要特征,然后经过一个特征适应的网络,使得锚点与相应的特征图进一步的相互适应;最终可以将模板分支与检测分支所提取的特征进行互相关操作,然后取响应得分中最大的值作为输出。2)在SiamHCRP的基础之上,本文修改SiamHCRP的模板分支为自适应模板分支,增强网络跟踪的稳定性。在模板分支中添加一个更新组件Update Net,Update Net使用的是残差学习的方法,然后对相应的训练模型进行更新。其中整个网络总共有三个模板,分别是第一帧模板、当前视频帧模板以及两者间累积模板。并且可以使用跳跃连接的方法将Update Net的输出与第一帧模板连接起来,然后对这两模板进行残差学习之后,下一帧模板的预测就是这个残差学习的输出。为了验证算法的有效性,本文算法主要是利用VOT2016数据集与OTB2015数据集进行实验。实验结果表明,这两种算法在跟踪目标的过程中,均优于SiamRPN与SiamFC的跟踪效果。