目标跟踪是计算机视觉领域研究热点,也是自动驾驶、视频监控、人机交互等视觉应用中的重要组成部分。由于目标跟踪任务本身的复杂性,同时跟踪过程中,面临目标自身变化和环境变化因素影响,目标跟踪存在巨大挑战。本文对近年主流的深度学习目标跟踪算法展开深入学习,包括深度特征目标跟踪和深度网络目标跟踪等算法。为提高目标跟踪的精度和速度,以SiamFC目标跟踪算法(Fully-convolutional siamese networks for object tracking)为基础,对目标跟踪算法进行优化,本文主要研究工作如下:1、针对SiamFC算法基础网络AlexNet特征提取能力不足问题,提出一种结合注意力机制和双输入浅层特征融合的改进算法。首先,本文提出双输入浅层特征融合结构,该结构作为网络的首端。然后,引入空间注意力机制模块和通道注意力机制模块。最后,根据特征融合结构和注意力机制重建网络。SiamFC-ours改进算法利用ILSVRC2015-VID数据集训练模型,并在OTB2015数据集上测试。2、针对跟踪目标在被遮挡和受相似干扰时易丢失的问题,在SiamFC-ours算法基础上,提出一种优化训练数据并引入再检测机制的改进算法。该算法从训练数据和跟踪策略两方面进行改进:首先,联合GOT-10k和LaSOT两个高质量目标跟踪数据集,增加训练数据目标类别,加入来自同类别和不同类别的困难负样本对,同时进行随机数据拭除、颜色抖动、模糊等在线数据增强,从而使训练数据得到改进;然后,给出响应图置信度指标,低置信度时启用再检测机制,高置信度时更新模板,实现跟踪策略改进。Ours改进算法利用优化的数据训练模型,在OTB2015数据集测试时,采用改进的跟踪策略。