作为计算机视觉领域的一个基础研究方向,视觉目标跟踪在近几年取得了迅速发展,对协助计算机视觉系统完成高层视觉任务具有极为显著的支撑作用,在在智能监控、人机交互、自动车辆驾驶、智慧安防和行为分析等领域的实际应用非常广泛。但由于背景杂波、光照变化、局部遮挡和变形等复杂因素,尽管经过了几十年的研究,鲁棒的视觉目标跟踪仍然是一项具有挑战性的任务。得益于计算机硬件性能的不断提升和大规模视觉数据集的迅速发展,深度学习尤其是深度神经网络的应用日益广泛。在大量的计算机视觉任务比如图像分类和目标检测上取得了当前最好的性能。这同时也为视觉目标跟踪的发展提供了机会。本论文在深度学习的框架下,利用深度神经网络具有强大的表征能力的特点,尝试了几种不同的深度神经网络在视觉目标跟踪中的应用方式。本文主要贡献包括以下几个方面。本文提出了一种基于卷积核网络的自适应相关滤波跟踪算法。采取预训练的神经网络和传统方法结合的方式。旨在利用预训练的卷积核网络的丰富的语义信息取代相关滤波跟踪算法中手工选取的梯度直方图特征。为了有效利用不同的卷积核网络描述子不同特性的信息,比如:颜色、形状等。我们引入了flipflop算法,在决策理论在线学习的框架下,将使用不同描述子的相关滤波跟踪器视为基跟踪器,通过考虑每一个基跟踪器的累积损失来动态决定其在最后目标定位中所占的权重。在基准数据集上的实验结果证明了该算法的有效性。本文提出了一种基于孪生规范网络的跟踪算法。采用离线训练孪生网络用于在线跟踪的方式。针对目前基于孪生网络的跟踪方法存在的问题,提出了一种规范卷积操作,通过对卷积操作每一个感受野内进行L₂规范化,使得网络能够通过离线训练获得更强的判别能力。此外,通过对训练集的数据扩充和重排,在一定程度上解决了训练样本分布不均匀的问题。为了应对跟踪过程中目标的外观变化,引入了一种启发式的模板更新方式,通过动态更新跟踪训练集,在线更新离线训练的网络权值。在多个基准数据集上的结果都表明了规范卷积和在线更新的优势。本文提出了一种基于深度部件网络的跟踪算法。使用在线训练全卷积网络在线更新的方式进行视觉目标跟踪。针对卷积神经网络不能有效处理遮挡问题这一特点,提出了一种基于部件的卷积操作,通过引入局部共享的小尺寸卷积核,弥补了传统卷积操作权值全局共享的问题。进一步提出了部件组合单元,能够快速提取目标的全局特征和局部特征。利用预训练的基础网络和部件组合单元构建了一个用于在线跟踪的全卷积网络,在视频序列的第一帧生成候选样本和其对应的偏移量来训练网络,在一定程度上保留了样本的空间结构信息。在跟踪的过程中,在线收集可靠的样本来不断更新网络的权值,从而有效对应目标的形变和相似目标的遮挡。