视觉目标跟踪作为计算机视觉领域最基本的任务之一,对于视频图像智能化分析具有非常重要的意义,在视频监控、无人驾驶和人机交互等诸多应用场景有着广阔的前景和需求。视觉目标跟踪是一个在图像序列或视频中对某个指定的目标进行精确定位的过程,期间面临光照变化、遮挡、形变和背景杂斑等多种困难,是一个极具挑战性的任务。本文基于显著性检测和相似性度量提出了一个针对视觉目标跟踪任务的统一模型。在该模型下,设计两种增强的目标模板来学习更鲁棒的目标表征,解决目标在跟踪过程中面临的各种困难,最后实现更精确的跟踪。本文的主要贡献为:1、基于显著性检测和相似性度量,提出一个针对视觉目标跟踪任务的统一模型。利用孪生网络设计两种增强的目标模板,实现更鲁棒的目标特征表达。其一是上下文感知模板,将前景和背景看作一个整体,从更多上下文信息中学习显著性特征,其二是语义监督模板,通过语义监督学习得到仅关注目标的增强模板,然后有效结合前景和背景的整体模板,实现了更鲁棒的目标表征。基于上述增强提出的两个跟踪器在OTB数据集上均初步获得了1.5%以上的性能提升。2、针对基于语义监督模板的跟踪算法,提出模板匹配响应自适应融合的机制,有效地融合了增强的目标模板和整体模板,同时引入并优化多层融合特征,充分利用了深度网络中浅层的外观特征和深层的语义特征,在OTB数据集中获得了5%以上的性能提升,并且在单个图形处理器加速下实现了实时跟踪。3、基于语义监督模板,针对待跟踪目标在不精确初始化情况下的跟踪问题,提出了一个高性能的跟踪算法,实现了目标初始化不精确情况下的鲁棒跟踪。