目标跟踪技术已被广泛应用于智能视频监控、人机交互、机器人视觉导航等众多领域。2016年,Bertinetto等人提出了基于孪生网络的SiamFC算法,该算法在保证实时跟踪的情况下取得了较好的跟踪精度,引起了研究人员的广泛关注。在实际应用中,目标跟踪的场景是比较复杂的,针对复杂场景中遇到相似语义干扰、目标形变和目标被遮挡等问题,SiamFC算法还有很大的改进空间。因此,本文进行了如下研究。（1）针对SiamFC算法中因受到相似语义干扰而引起响应图中出现多个峰进而导致跟踪失败的问题,提出了一种基于最大值滤波多峰定位和one-shot匹配的孪生网络目标跟踪算法（SiamMPM）。该算法将目标跟踪分为两个阶段,第一阶段是通过提出的基于最大值滤波的多峰定位模块,获取视频帧的响应图中多个峰对应的图像块;第二阶段是从第一阶段的所有图像块中判别出被跟踪的目标,将第一阶段得到的所有图像块作为支持集,模板图像作为查询集,采用基于匹配网络的one-shot学习方法进行重匹配。该算法在OTB2013和OTB2015数据集上进行了消融实验和对比实验,精确度相比SiamFC算法分别提升3.1%和2.8%,并且有效地改善了相似语义干扰问题。（2）针对跟踪过程中目标形变较大或者被遮挡时SiamMPM算法不能有效跟踪的问题,在SiamMPM算法的基础上,提出了一种基于注意力融合机制的特征更新的孪生网络目标跟踪算法（SiamUAF）。该算法采用注意力机制对跟踪过程中视频帧预测框对应图像的特征进行融合,然后利用融合后的特征对模板的特征进行更新,从而使算法能够在目标形变较大或者被部分遮挡时精确地跟踪。该算法在OTB2013和OTB2015数据集上进行了消融实验和对比实验,精确度相比SiamMPM算法分别提升1.9%和2.1%,并且有效地改善了目标形变较大或者被遮挡的问题。（3）为了进一步提高SiamMPM算法的性能,通过引入跟踪目标在素描空间的的结构和位置信息,提出了一种融合素描重匹配和特征重匹配的孪生网络目标跟踪算法（SiamFSF）。该算法的第一阶段与SiamMPM算法的第一阶段相同。在第二阶段,首先,采用基于匹配网络的one-shot学习方法计算第一阶段获取的所有图像块的特征重匹配得分。然后,通过提出的素描重匹配模块来计算素描重匹配得分。最后,通过提出的融合策略对特征重匹配得分和素描重匹配得分进行融合来完成目标跟踪。该算法的第二阶段既利用了特征层面的语义信息又利用了跟踪目标在视频帧中的结构和位置等信息。该算法在OTB2013和OTB2015数据集上进行了消融实验和对比实验,精确度相比SiamMPM算法分别提升1.1%和1.3%。