作为计算机视觉的基本问题之一,目标跟踪算法在自动驾驶、智慧运输、智能制造、军事科技等重要领域都有广泛的应用。虽然历经四十年发展的目标跟踪技术获得了 一定的成果,但是面对愈发苛刻的跟踪要求,算法需要在照度急剧变化、相似背景干扰、物体运动模糊、目标剧烈形变等跟踪挑战下展现优秀的跟踪能力。因此,进一步探究目标跟踪算法对日常生活、工作、交通和生产都具有十分重要的现实意义和价值。针对卷积神经网络在目标跟踪算法的特殊性以及算法跟踪流程的缺陷,本文引入注意力的特征再校准机制并优化了离线训练和在线跟踪过程,最终分别构建了基于注意力机制的高精度跟踪算法和实时跟踪算法。其中主要的工作和创新点概括如下:(1)引入两种注意力机制并以有效的方式嵌入在用于跟踪的多域卷积神经网络中,让网络自适应地关注沿通道域和空域的关键图像特征。同时,注意力机制增加了特征提取的多样性,优化了算法的特征工程。(2)提出具备注意力感知的全局池化操作,并基于此方法提出一种轻量且有效的双注意力模型——高效双注意力模块。它在保持算法实时能力的同时通过注意力机制强化跟踪算法在各种环境下的鲁棒性。(3)提出跨实例损失函数,让算法充分利用逐任务驱动的多域网络结构以辨别不同域之间的实例。为了减少在线更新时的冗余样本,提出动态筛选样本的分组更新策略。基于标准性能评测的一系列定性定量实验证明了各项工作和创新点的有效性。最终本文的两种跟踪器分别在高精度和实时跟踪领域获得了业界先进的跟踪性能。