在计算机视觉领域中,基于单目视频中的目标运动跟踪算法的深入讨论和探索向来是重要研究课题和热点之一。它也可称作视觉跟踪,从目前国内外的研究现状可以看出,现今跟踪领域随着机器学习的引入取得了一些新进展,其中深度学习的优势在于学习的样本数据大量的存在,然而跟踪算法在视频中能够获得的准确样本只有首帧的标注数据,因此仅凭离线训练得到的结果会给跟踪带来较大的误差;基于深度学习的跟踪算法中的网络结构较为复杂,模型参数较多,在线训练网络的运算复杂度因此随之升高,很大程度上迫使跟踪的效率缓慢。综上所述,视觉跟踪算法设计的难点在于精度和效率之间的平衡。本文针对上述问题和难点,对于在单目摄像机条件下基于深度学习的目标运动跟踪方法进行了研究与实现,主要贡献点如下:1)基于全卷积孪生网络的改进算法。提出一种在线更新机制,将目标运动的一致性约束与全卷积孪生网络集成在一起进行视觉跟踪,使得目标运动跟踪具有较高的鲁棒性和实时性。通过加入连续多帧之间的环路约束,在线学习被跟踪目标在运动过程中存在的特征差异;考虑到跟踪中的模型更新存在累积误差的情况,设置了用于估计下一帧最佳模板的检测器,使其验证模型是否与目标的特征连续一致,从而减少在线学习的累积误差。2)基于判别式模型的跟踪算法。为了增强网路的判别力,本章提出基于判别式模型的跟踪算法。算法通过分数融合使用目标特定的特征进行判别性学习,以帮助分类网络处理干扰因素和背景噪音。在算法框架中加入特征金字塔模型,根据候选区域的尺度选择相对应的不同特征空间。由于不同层参数是不固定的且同时有监督实现端到端的训练,因此相加训练得出的感兴趣区域能够有效融合浅层和深层的目标信息。本文实验基于OTB-2013和OTB-2015公开评估数据集,算法测试结果通过多种指标在不同属性的视频序列集上的可视化表达,其准确率和成功率指标与基于深度学习或基于相关滤波的一些跟踪器的结果对比表现良好,并从定性和定量分析中验证了本文算法的有效性和鲁棒性。