在计算机视觉应用领域,视觉目标跟踪是一个被广泛研究的热点话题,在许多主要视觉领域得到了广泛的应用,并且取得了不错的实际应用效果。但由于视觉目标跟踪容易受到光照变化、尺度变化、背景杂波、低分辨率等各种因素的干扰,需要进行多个方面的改善,因此,本文在满足目标跟踪实时性的前提下,主要进行以下几个方面的改进,来进一步提高目标跟踪的精度和鲁棒性。(1)针对基于相关滤波理论的视觉目标跟踪算法采用的是传统浅层的手工特征,对待跟踪目标的表征能力不足,在此基础上,本文提出的算法利用深度神经网络模型来提取待跟踪目标的深度特征,并且由于不同卷积层的深度特征表示的信息不同,因此将得到的不同层的深度特征进行融合,使得表征能力更强,还利用核相关的方法提升了视觉目标跟踪算法的跟踪速度。(2)针对基于Siam FC(Fully-convolutional Siamese Networks)的视觉目标跟踪算法的特征提取主干网络大都采用浅层的Alex Net网络模型,不能够充分利用深层次网络的表征能力,设计了一种新的目标特征提取主干网络,通过堆叠提出的网络模型搭建了加深深度和宽度的深度特征提取网络,以此来代替Siam FC当中使用的Alex Net网络模型结构。(3)针对基于RPN(Region Proposal Network)的孪生网络视觉目标跟踪算法,搭建了以VGGNet网络模型作为跟踪目标的深度特征提取网络;同时将不同卷积层的深度输出特征输入到四个Siam RPN(Siamese Region Proposal Network)模块中进行卷积特征融合,以便对跟踪目标进行目标边界框回归和分类,进一步提升目标跟踪精度。最后在OTB50,OTB100等数据集中进行了定性、定量实验分析,实验结果表明,本文提出的算法和其他算法相比较,能够在速度和精度之间取得较好的平衡,跟踪效果和鲁棒性更好。