对动物的目标跟踪是研究其健康状况和行为分析的基础。为了准确实时地获取动物的个体信息和行动状况,本文以西北农林科技大学畜牧教学试验基地的奶山羊养殖场视频为研究对象,基于Target-Aware Deep Tracking（TADT）算法,并结合注意力机制和模板更新方法,对奶山羊对象进行跟踪及精度评价,验证了改进后算法的有效性。本文主要的研究内容与结论如下:（1）数据集的构建及预处理。为获取数量充足的数据集,在奶山羊室外运动场搭建远程视频监控设备拍摄奶山羊视频并进行预处理。删除无效片段,通过幂律变换进行数据增强,整合成高质量的奶山羊运动视频。并利用Labelhub软件按照其头部和身体位置进行标注,生成真值图（Ground Truth）用于运动场地中羊只的目标跟踪。实验结果表明,基于奶山羊头部进行跟踪时,视频图像中背景干扰相对较少,特征较为明显,因此其性能优于以身体作为跟踪目标的性能。（2）基于空间感知采样的TADT奶山羊目标跟踪模型。以往的孪生网络仅使用浅层分类网络进行预训练,其不能提取富含语义信息的深层特征。本研究利用深度卷积分类网络VGG-16和深度残差网络Res Net进行特征提取,利用空间感知采样策略消除孪生网络Siamese的严格平移不变性,并结合目标感知特征,构建以TADT为基础的奶山羊目标跟踪模型。验证了深层次网络Res Net在奶山羊目标跟踪领域的可行性,实验结果表明基于Res Net的TADT模型的跟踪效果最优,提高了原模型的判别能力,在奶山羊数据集上的跟踪精度可达80.3%。（3）基于注意力机制的TADT奶山羊目标跟踪模型。为进一步优化奶山羊跟踪模型,首先在回归网络中增加注意力机制,增强其对关注部分依赖关系的捕捉,放大特征之间的异同,提取更为细致的特征。其次,在跟踪过程中引入模板更新策略,将动态模板与初始静态模板融合,使其更加接近当前跟踪中的目标,增强模板匹配的准确率。实验表明,改进后的算法拥有更优的性能,在奶山羊数据集上其成功率及精度分别提高了1.1%和1.8%,并且保证了跟踪的实时性。综上所述,本文基于TADT算法及注意力机制实现了奶山羊的目标跟踪,根据跟踪结果可以对奶山羊的个体信息进行健康评估,进而实现智能化养殖。