单目标跟踪技术经历了从传统方法到相关滤波方法再到现如今流行的深度学习方法的发展。跟踪准确率和成功率不断提高,已在多个领域研发出相关产品,极大方便了人们的生活。虽然目标跟踪技术取得了很大的进展,但是跟踪算法面对复杂场景时仍易出现漂移导致跟踪失败。基于深度学习的全卷积孪生网络目标跟踪算法的提出开辟了目标跟踪网络构建的新思路。利用两个共享参数的分支对目标和待搜索区域进行特征提取,使用相似性度量的方法判断待搜索区域中目标的位置,这种简单的目标跟踪新思想以其高准确性和实时性得到了广泛关注。但是全卷积孪生网络处于目标尺度变化、背景杂乱、运动模糊等复杂场景时算法对目标框的预测以及对目标和背景的辨别性变差。针对全卷积孪生网络在复杂场景中表现不佳的问题,本文提出孪生网络跟踪算法改进策略,主要研究内容如下:（1）提出通道注意力机制和空间注意力机制加强算法对目标和背景的辨别能力。在卷积神经网络特征提取过程中,伴随着数量众多的特征通道和空间信息产生,通过相关实验表明,如此多的通道和空间信息只有部分对跟踪任务有用,其余为冗余信息甚至会有负面影响。在孪生网络训练过程中融合注意力机制能够对特征图通道和空间信息进行筛选,赋予目标跟踪网络中有用信息较高权重的同时给予无用信息较低权重,突出正向信息的作用。（2）提出浅层特征与深层特征以残差连接的方式融合,旨在加强目标特征的表达。全卷积孪生网络只使用主干网络提取的最后一层特征作为目标特征,忽视了浅层特征的作用,导致目标特征表达不充分。浅层特征通常能够表征目标轮廓、纹理等空间细节信息,而深层特征是对目标高级语义信息的表征。通过残差连接结合两种特征的信息有利于对目标更全面的表达。（3）提出使用自适应目标框生成网络替代Siam Fc的预测目标框生成方式,使生成的预测目标框对目标的拟合更加贴合。对Siam Fc算法应对目标尺度变化的策略进行分析,指出Siam Fc由于设置尺度缩放因子的数量有限不能对目标的任意尺度变化生成合适的目标框;同时对基于Siam Fc改进的引入区域候选网络的Siam RPN算法进行分析,指出其性能虽然相对于Siam Fc算法有很大的提升,但也存在缺点。本文通过在孪生网络中添加自适应目标框生成网络,有效改善了Siam Fc和Siam RPN目标框生成方式的不足。（4）将本文改进算法和其他目前主流算法在OTB100、UAV123和VOT2016数据集上进行测试比较。本文算法在面对目标形变、遮挡、背景杂乱等复杂场景时取得了优异成绩,验证了本文改进策略的有效性。