目标跟踪是计算机视觉领域中最具挑战性的研究方向之一,在智能安防、军事制导、人机交互等领域具有广泛应用价值。其任务是根据第一帧中给定的待跟踪目标,在后续视频帧中推理目标的运动轨迹。基于孪生网络的目标跟踪方法兼顾速度和跟踪性能,是目前主流的跟踪方法,但是这类跟踪器的骨干网络存在网格伪影现象,相似性度量函数无法有效区分复杂场景和相似物体干扰下的目标和背景等问题,导致在复杂背景和相似物体干扰下易丢失目标。本文从增大目标和背景的类间距离、提高骨干网络提取特征的判别性两个方面入手展开研究,主要工作如下:1)提出基于正交区域生成网络的孪生目标跟踪方法。目前主流的孪生跟踪器在嵌入空间中学习相似性度量函数,以此区分目标和背景。但当存在复杂背景或相似物体干扰时,目标和背景存在相关性,它们的类间距离减小,学习到的相似性度量函数无法区分目标和背景的分类贡献,导致分类响应图中存在大量错分像素点,出现目标漂移。为了解决这个问题,首先,分析跟踪器丢失目标的原因,提出增强目标和背景的正交性来增大类间距离,提高相似性度量函数的稳定性。在此基础上,提出正交区域生成网络。通过正交模块增强目标特征,抑制背景特征,增强目标和背景的正交性。最后,提出自适应逐像素融合方法,融合不同分类响应图,抑制错分像素点;融合不同回归偏移,提高定位精度。2)提出基于判别性特征学习的孪生目标跟踪方法。目前主流的孪生跟踪器以改进的Res Net50为骨干网络提取目标和搜索区域特征,但改进的Res Net50存在网格伪影现象,降低所提取特征的判别性;主流的改进方式增加了参数量和计算量,以时间换取跟踪性能。针对这些问题,首先,从理论分析和实验验证两方面揭示改进的Res Net50提取的特征存在网格伪影现象,提出移除存在网格伪影的卷积层,提高小目标跟踪性能并加快推理速度。与此同时,提出特征叠加模块并将其应用于分类器。该模块在特征中引入噪声,使模型学习语义信息更丰富的特征,以区分目标和背景,保持推理速度的同时提高跟踪性能;提出辅助损失函数,重复学习具有高损失值的样本,减少收敛时间,挖掘难例样本,进一步提高跟踪性能。提出的特征叠加模块和辅助损失函数能泛化至移除存在网格伪影卷积层的Siam RPNpp,Siam RPNpp和Siam BAN等孪生跟踪器。3)将上述方法嵌入至基于孪生网络的目标跟踪框架,在主流数据集上进行评估。实验结果表明,基于正交区域生成网络的孪生目标跟踪方法在OTB2015、VOT2016、VOT2018、GOT-10k、La SOT、UAV123和Tracking Net数据集上优于主流跟踪器,尤其是在VOT2016上,平均重叠期望（Expected Average Overlap,EAO）达到0.498,超过基线模型3.7%,领先目前主流的跟踪器,表明该方法可以改善在复杂背景和相似物体干扰下跟踪性能下降的问题。基于判别性特征学习的孪生目标跟踪方法在OTB2015、VOT2019、La SOT、UAV123和Tracking Net数据集上进行评估,尤其是在UAV123上,成功率图的曲线下面积（Area Under the Curve,AUC）值达到0.651,超过基线模型2.4%,领先目前主流的跟踪器,表明该方法可以增加语义信息,提高特征的判别性,提升分类能力。这些实验结果表明本文提出方法的有效性。