目标跟踪作为计算机视觉领域的一项重要任务,在虚拟现实、智能交通、无人机等领域具有广泛的应用。随着机器学习技术的进一步发展,目标跟踪技术有了很大的改进,然而因为遮挡、背景杂乱和出视野等挑战因素的存在,实现复杂场景下的鲁棒跟踪仍存在一定的局限性。为了提升孪生网络目标跟踪算法的鲁棒性和定位精度,本文从以下两个方面进行研究。（1）针对复杂场景下的目标形变与相似物干扰的问题,在Siam RPN算法的基础上,设计一种基于孪生网络特征融合与自适应加权的目标跟踪算法MFAW-Siam RPN。该方法引入基于skip ASPP模块的多层特征融合网络对目标模板图像和搜索图像进行特征提取,并使用特征自适应加权网络对特征图进行加权,能够在相似物干扰存在时根据信息的重要程度有选择的选取图像的特征信息,筛选掉一些干扰信息。最后,在网络末端引入无锚分类回归模块逐像素预测目标的边界框信息,减少计算量。实验测试表明,相比Siam RPN算法,MFAW-Siam RPN在VOT2018数据集上的期望平均重叠率提高了2.3%,在OTB2015数据集上的成功率和跟踪精度分别增长了2.8%、2.5%,跟踪性能较好,在处理复杂场景时有更好的鲁棒性,有效的改善了相似物干扰场景下的跟踪能力。（2）针对长时目标跟踪场景中面临的被跟踪目标频繁消失和重定位的问题,在MFAW-Siam RPN算法的基础上,设计一种基于模板更新和重检测的长时目标跟踪算法（LTUSiam）。首先,在基础跟踪器MFAW-Siam RPN的基础上,引入三级级联的门控循环单元对目标状态进行判断,选择合适的时机采用模板更新网络自适应的更新模板信息。其次,提出一种基于模板匹配的重检测算法,设计一种新的相似度判断方法用于对全局图像进行粗略定位,然后采用精准定位模块根据ROI特征对所有候选区域进行分类和边界框细化。实验表明,LTUSiam在VOT2018＿LT数据集上的帧率达到了28帧每秒,在实时跟踪方面取得了比较好的效果,同时F-score上实现了0.644的性能,在处理目标丢失重现问题时有更好的鲁棒性,有效地改善了长时跟踪的性能。