目标跟踪作为计算机视觉领域的重要分支之一,其主要任务是实现在不同的挑战因素下对目标确的跟踪。针对在光照变化、尺度变化、快速运动以及复杂背景干扰的影响下,目标跟踪算法在鲁棒性和准确性方面存在改进空间。本文基于全卷积孪生网络目标跟踪算法,来提升算法的准确性以及对目标的判别和定位能力,其主要研究工作如下:（1）针对全卷积孪生网络（SiamFC）目标跟踪算法在复杂背景下,尤其是受到相似性背景的干扰时,目标的跟踪性能降低的问题,提出一种结合注意力机制的孪生网络目标跟踪算法。首先,在示例分支添加通道注意力模块,使目标获得更多的关注度,根据通道注意力模块特征向量的权重系数判定与目标信息的关注度,将得到的通道注意力特征图与搜索分支的特征图互相关操作;其次,在网络模型训练时,为充分提取目标正负样本的特征,构建了输入样本与正负实例关系的三元组损失函数。最后,利用欧氏距离计算输出特征图在空间上的像素点距离,得到响应值的最高点为目标位置。实验表明,在OTB2015数据集上较SiamFC精确率提高了3.8%、成功率提高了9.8%,在VOT2016数据集上准确度提高了3.6%、平均期望重叠率达到了33.1%,鲁棒性更强。与其他算法定性定量对比,表明了该算法在应对复杂背景时跟踪性能较好。（2）针对全卷积孪生网络（SiamFC）算法在复杂背景下,尤其是尺度变化时跟踪性能降低的问题,提出一种基于逐像素分类和回归的深层孪生网络目标跟踪算法。首先,将Alex Net骨干网络替换成能提取更多深层语义信息的Res Net50网络,并利用空间感知采样策略消除了深层网络填充操作的影响;其次,引入多层特征融合实现了不同网络层的信息融合,对输出的最后三个残差块的特征图串联拼接;最后,引入无锚框的分类和回归框架,计算输出特征图对应搜索补丁上的每点与真实边界框四条边距离的偏移值,确定预测框的宽和高。实验表明,在OTB2015数据集上较SiamFC精确率提高了7.6%、成功率提高了13%。与其他算法对比,表明了该算法在应对复杂背景时表现较好。