近年来,目标跟踪技术作为计算机视觉领域中热门的课题之一,被广泛应用在视频监控、国家安防、智慧城市建设等多个领域中。尽管在过去几十年的研究中目标跟踪技术已经得到了很大的进展,不过受到外形变化、尺寸改变、目标遮挡、以及相似物体干扰等因素的共同影响。研发一款能够同时满足跟踪准确性与速度的跟踪器依然是一件很困难的工作。本文基于深度学习算法,从特征提取以及准确的目标预测这两个角度出发,针对复杂场景下目标跟踪算法所面临的难题进行研究与改进。为改善相似物体干扰、尺度变化等复杂场景下引起的跟踪漂移现象,设计了一种基于注意力特征融合与网络调制的目标跟踪算法。以重叠度最大化的跟踪算法为基础,在特征提取网络中引入选择核注意力模块,使网络更聚焦于对目标特征信息的提取。同时,针对不同层特征信息的差异性,利用多尺度交互模块对不同层特征进行自适应的融合以获得更加精确的目标表征。此外,还通过金字塔调制模块生成关于参考目标多维度的特征表示,并利用调制的方法将参考目标的特征信息融入到测试帧,从而提高模型对目标的感知能力。针对现有的结合有锚跟踪算法在生成候选锚框时需要引入先验参数使得模型对尺度估计能力不足的问题,设计了一种基于注意力特征融合与像素匹配的无锚跟踪算法。首先为了全面利用不同层次中目标的空间信息与语义信息,利用注意力特征聚合模块对不同层的特征进行显著特征选择并自适应加权融合。然后基于像素匹配的特征嵌入模块,对模板特征和搜索特征之间的像素关系进行建模来增强目标相关信息。采用无锚定位网络在生成的增强特征表示上直接预测目标类别与边界框,摒弃了锚框生成的过程,减少了计算复杂度。最后为了捕捉推理过程中对象的外观变化,使用在线分类网络提高对目标分类的准确性。