在国家大力发展建设智慧城市的今天,智能视频监控成为城市管理的重要组成部分。如今城市当中星罗棋布的监控摄像头在安防领域发挥着至关重要的作用。视频数据大量存储在硬盘当中,如何充分挖掘其中有价值的信息成为各国研究者们关注的焦点。其中,针对视频的目标跟踪技术随着数据量的增加而不断发展,成为了智能视频监控的关键基础技术。目前,已有的基于视频序列的目标跟踪技术还未能大规模商用,难点在于现实生活场景较为复杂,干扰情况较多,对计算机硬件以及跟踪算法的实时性要求较高。因此,研究能否在给定场景下对任意给定目标稳定地跟踪成为这一领域能否突破的关键。传统的单目标跟踪模型中最为重要的一环在于特征提取。特征对于被跟踪目标外观模型的表征能力决定了该跟踪算法的跟踪准确度于泛化性能。本文在充分研究了传统的基于颜色、纹理特征跟踪的基础之上,对当前特征描述能力较为优秀的深层卷积神经网络进行了深入对比研究。为了能够同时保证跟踪准确度与实时性,利用了一个端到端的离线深度学习模型用于在线跟踪的方案。同时,对于给定的单目标在跟踪过程中出现的形变、部分遮挡和丢失等情况,将该跟踪器与传统的检测框架相融合,用于保证跟踪的鲁棒性。并且给出一个置信度指标用于判断跟踪的准确度,用目标模型实现跟踪器的自我校准,并且在长时跟踪过程中能够实现重检测。本文提出的跟踪算法经实验测试,在准确性与实时性两方面同时结合了经典跟踪算法与基于深度学习算法的优点,展示出了较好的跟踪能力。