计算机视觉是计算机领域研究的重要分支,一直以来倍受学者、专家关注。其中机器视觉中的单目标跟踪方向,由于其在实际生活中被广泛应用,一直以来成为被研究的热点。目标跟踪任务因其跟踪的目标本身的不确定性以及其跟踪环境的复杂性,会面对诸如目标遮挡、尺寸变化、运动模糊以及长时间跟踪等问题。因其应用场景的复杂性,这就要求跟踪算法有较强的环境适应能力,即良好的鲁棒性。本文针对目标跟踪面对的难题,提出一系列的解决方案来适应不同环境下的目标跟踪任务。通过大量的调研工作,本文在基于共享骨干网络框架的基础上提出了改进的方案。本文的主要研究工作和成果如下:（1）针对孪生网络中模板在在线跟踪过程中不更新以及边缘像素填充所带来的目标表观变化适应问题,本文提出使用深层次的特征提取网络,并相继提出目标表观重构学习模块和融入KL损失和交叉熵损失函数的分类-匹配损失函数。分别从特征提取网络、注意力机制以及损失函数三方面来改进孪生网络以满足在复杂环境下跟踪任务的需要。（2）针对深度神经网络深、浅层特征有不同的重要性,即深层特征具有较强的语义信息,浅层的特征具有较强的空间位置信息。本文针对该特性提出多层特征融合的方法来应用语义和空间信息。此外,因为浅层特征具有较小的感受野,而深层特征具有较大的感受野,在深层的特征中,跟踪的小物体的信息随之减弱,很难区分小物体和背景信息。因此,本文又提出来使用多层的特征来决定最终的目标的空间位置、语义信息。（3）在已经改善后的物体分类模块的基础上,为了使得定位更加的准确,本文提出使用精准的定位损失函数来更加精确地定位跟踪物体的位置。在目标跟踪中,定位跟踪物体的信息时,定位的准确性主要是两点:中心点,以及尺寸。因为传统的IoU（Intersection of Union）无法反映出矩形框的对齐方式以及中心距离,导致在定位时会产生定位的偏移。本文针对这个问题提出融入对齐方式以及中心距离的可测距的交并比损失函数来指导定位模型。综上本文提出的多层特征融合决策、融入矩形框之间的中心距离以及对齐方式,以及对孪生网络的模板层通过卷积特征对目标进行重构,来自动适应不同场景下的目标跟踪。本文通过大量的实验,验证了所提出的方法的有效性。