近些年,基于深度学习的目标检测领域的算法已经取得了显著的效果,但对于视频目标跟踪而言,如果仅仅是把目标检测领域的算法应用在视频的每一帧的话,那算法会无法利用上视频前后时序的关系,对于跟踪任务来讲会造成漂移、误差大等问题,而且目标检测领域的算法通常没法满足实时性。本文为了解决跟踪目标(牙齿)纹理差、相似度高且项目需求算法实时性高的问题,提出了一种针对低纹理、包含多个相似性目标(本文应用为跟踪牙齿)场景的基于深度学习的的孪生网络目标跟踪框架。本文针对牙齿目标的跟踪算法开展了研究工作,主要工作包括:1.提出了一种结合多特征分析的视频关键帧提取算法,并使用牙美乐医患沟通平台收集的匿名客户口腔视频作为源数据,通过该关键帧提取算法进行关键帧提取并全部进行手工标定,该数据集是首个彩色牙齿图像的跟踪、分割数据集。该提取算法有效的解决了在人工成本有限的条件下,可去除那些对网络性能没有提升的视频数据的冗余帧,大大减少人工标注的压力。2.针对视频序列多而重复的标注问题,深入研究了光流网络并将其应用在关键帧标注数据集上,有效的解决了数据集过小而导致网络过拟合、模型不收敛等问题。3.研究了特征提取网络,解决了基于孪生框架的跟踪算法不能使用更深网络的问题,提出了改进的ResNet41;并对网络增加了FPN技术,提高了特征的表达能力;并增加了粗细两阶段网络,增强网络的判别能力;并增加了Mask预测分支,进一步提高了跟踪准确度。最后,通过横向对比实验验证了以上模块的有效性。4.使用本论文提出的基于深度学习的孪生网络目标定位与跟踪框架设计开发了“牙美乐医患沟通软件”,它可以用于口腔医院、牙科诊所等地的口腔医美相关手术的医患沟通中,可快速通过普通摄像头采集视频、简单的编辑和快速的后台运算得到牙齿医美相关手术的术后效果图和效果视频。