随着高性能计算机的发展以及摄像机的普及，对于自动视频分析的需求日益增长。作为视频分析中的一项基本任务，视频目标跟踪旨在在连续的视频序列中跟踪指定物体，并标明被跟踪物体的位置和尺寸，确定目标的运动轨迹，为后续目标的行为分析和理解奠定基础。尽管近年来已有大量优秀算法提出，但是由于视频序列具有尺度变化、目标快速运动等属性，目标跟踪仍然是一个具有挑战性的课题。另一方面，很多应用场景如视频监控、自动驾驶等都对算法的安全性与鲁棒性要求较高，但近年来的研究发现对抗样本对于基于深度学习的算法能造成大幅度性能下降。故本文从视频目标跟踪算法的高效性和鲁棒性两个方面开展研究，主要工作如下:
　　1.提出了基于运动信息建模的粒子采样策略，在采样阶段不仅考虑到上一帧的目标位置信息，还利用了连续两帧之间的物体运动信息。即使在相机抖动、目标快速运动等情况下也能在目标周围采集足够高质量样本，为后续样本分类打下基础，提升整体算法的性能。本文将指导粒子采样的运动预测问题建模为马尔科夫决策过程，利用强化学习算法DDPG来训练网络。网络以上一帧目标框在当前帧的图像切块以及历史动作序列为输入，输出一个连续值四维向量作为动作，该动作向量及上一帧目标框信息为粒子采样提供均值和方差。
　　2.提出了结合目标抑制和背景干扰的迭代优化算法，生成针对视频目标跟踪算法的对抗样本，研究了基于孪生网络的跟踪算法在单次和多次迭代攻击下的性能，分析了算法在对抗攻击下的鲁棒性。并且考虑到视频序列连续两帧之间时间很短，目标的变化很小，本文提出了渐进性攻击算法，将前一帧的对抗干扰施加到当前帧，而后再对当前帧进行迭代优化得到最终的对抗样本。这种方法可以得到与多次迭代算法相当的攻击性能，并且算法效率更高。
　　对于上述两个方面的内容，本文均在视频目标跟踪基准数据集上进行了实验验证与分析。实验结果表明基于运动信息建模的算法可以提升整体的跟踪性能，对目标跟踪算法鲁棒性的研究也证明了本文提出的迭代优化及渐进性攻击算法的有效性。