目标追踪作为现实意义较大的一个视觉算法研究板块,其中长时间的单目标追踪算法则是该板块一个十分重要方向,此前相关算法的解决方式主要以传统滤波为主,近年来,以深度学习为基础的长时间单目标追踪算法性能,正渐渐赶超传统滤波方法,尽管如此,目标追踪任务的难点始终没有得到很好的解决,其中以相似目标的追踪漂移、目标闪入和闪出视野内、目标运动模糊、目标视角和尺度随着追踪时间的不断变化等难点最为突出,进一步地,长时追踪任务要求少则数小时,多则数天的持续追踪状态,加剧了上述问题的复杂性,使长时间单目标追踪算法的研究难度一直保持高位。本文提出一种基于深度学习的长时间单目标追踪算法框架,并更加清晰地定义长时间单目标追踪任务中各个阶段遇到的问题,从算法逻辑上以流程化的思想优化、改进对应方案,从算法设计上以模块化的方案缓解、解决对应问题,从而让算法逻辑和设计服务于任务本身。本算法框架致力于提出一种解决长时间单目标追踪问题的不同思路,并在一定程度上给出较为完整的解决方案。本文的工作主要有以下几点:（1）提出一种全新的,适用于长时间单目标追踪任务的算法框架,从任务逻辑上进行流程化的算法设计,更清晰的定义任务中的关键时刻,并解决对应的问题,让研究长时间单目标追踪任务有了一个较为统一的视角。（2）提出一个全新的,适用于追踪任务的验证网络,用以独立判定待选追踪目标,从而实现对待选目标更加严格的筛选,将算法框架中各个模块的识别质量进行统一,并在判别精度和处理速度两方面都做到最优,对整体算法框架的性能有着较大的提升。（3）优化核心短时间单目标追踪算法,在不降低处理速度的前提下,大幅提高追踪精度。（4）本算法在ECCV主办比赛VOT2020的长时间追踪赛道中,以F1-Score、Recall、Accuracy分别得分0.6872、0.651、0.733位列第二名,并且速度是第一名的7倍。