视觉目标跟踪在人机交互、机器人视觉导航、智能安防、自动驾驶等领域有着重要的应用。随着人工智能的发展,近年来深度学习在目标跟踪领域产生了许多优秀的方法。孪生网络类方法以其高性能、高实时性的特点得到了广泛的应用,它通过比较外观模板与搜索区域中候选框的相似度来定位目标,模板仅仅从当前帧或第一帧中提取,此时外观特征变化较大的目标将会跟踪失败。在本文中,我们针对目标跟踪中的模板提取问题展开了研究,提出结合元学习领域中的记忆增强类方法来指导目标跟踪。为此我们使用塑性网络实现了一个模板特征提取器,从历史模板中提取共同的外观特征,接着提出了在复杂的目标跟踪情景下的模板更新方法,提高了孪生网络提取模板的准确性,从而提高了目标跟踪的成功率。本文的主要内容及创新点主要包括:·设计了基于记忆增强的目标跟踪方法。本文系统的阐述了基于记忆增强的目标跟踪方法的相关知识,对孪生网络类目标跟踪方法进行了改进,设计了包含特征提取、模板更新、相似度匹配的三大模块的目标跟踪方法,为后续的目标跟踪算法提供了新的研究思路。·提出了基于塑性网络的模板特征提取器。本文使用塑性网络来记忆模板特征,基于塑性网络实现了模板更新模块,提取出能适应目标外观变化的模板特征,使得孪生网络提取的模板能够适应目标的形态变化,并且能在跟踪过程中在线更新,从而提高了基于孪生网络框架的目标跟踪方法的准确性。·提出了复杂情景下的模板更新策略。本文针对遮挡、消失等复杂情况下的目标跟踪问题展开了研究,设计了跟踪失败状态检测方法和相应的模板更新策略。及时发现目标丢失,使用可靠的预测结果更新塑性网络,进而提高了模板特征提取器在处理遮挡、消失等情况下的鲁棒性。·介绍了实验具体设置并分析了实验结果。实验证明,基于记忆增强的目标跟踪方法在部分序列上的效果超过了孪生网络方法;在OTB2015上,塑性网络模板特征提取器的准确率比原来的方法提高了1%,成功率提高了2%;复杂情况下的模板更新策略提高了塑性网络在遮挡消失情况下的跟踪效果。