目标跟踪是指在第一帧中利用矩形框手工标注跟踪目标，计算机通过特有算法框架，精确定位出后续视频帧中目标位置。近年来随着计算机硬件及图像处理能力的提高，目标跟踪吸引了越来越多的关注。由于卷积神经网络在特征提取中的强大能力，目标跟踪领域的前沿研究主要基于深度学习和神经网络。现有的方法存在以下两个问题：1)目前目标跟踪任务中，由于训练数据集中困难样本缺少且覆盖的情况太少，导致基于“数据驱动”的深度学习网络性能提升缓慢。2)目前基于深度学习网络的目标跟踪算法，大部分基于分类精度确定最终目标位置，未考虑重叠率，导致定位出现误差。
　　针对以上两方面问题，本文主要研究内容如下：
　　1.提出一种基于形变样本生成网络的目标跟踪算法。1)本文重点解决目前单目标跟踪在形变问题上的挑战，提出一种生成形变样本的新型网络结构，利用该结构，对于提取的目标特征进行形变处理，从而增加分类器训练过程中的形变样本数量。2)提出利用正负损失函数交替迭代优化的训练策略，提高分类器的判别能力。
　　实验结果表明，本算法能够有效缓解由于形变特性造成的跟踪器漂移问题，提高鲁棒性。
　　2.提出一种基于重叠率的目标跟踪算法。1)从候选样本中筛选目标样本时，现有算法仅依据候选样本的分类精度，本算法将重叠率与分类精度相结合，提出一种新的目标样本筛选方法；2)设计重叠率预测分支，预测候选样本框与真值矩形框之间的重叠率；3)提出基于重叠率的边界框回归损失函数，用于整体网络训练优化，以增加回归准确率。
　　实验结果表明，本算法能够更加精确地定位目标位置，提高了跟踪算法的准确率。