目标跟踪是计算机视觉中非常重要的技术之一,其目的是根据视频帧中的给定目标,对后续视频序列中的目标进行连续监测,其任务是通过给视频序列中的每一帧目标定位,生成目标的运动轨迹并提供完整的目标区域。目标跟踪算法将图像检测、图像处理、图像识别和自动控制等技术结合起来,在智能监控系统、智能交通、自动驾驶、战场监视、医学影像以及人机交互等方面有着广泛的应用。基于传统的目标跟踪算法是利用相关滤波器进行特征提取和匹配,其跟踪器具有一定局限性,只能针对特定场景的目标进行跟踪。伴随着深度学习的发展,开始采用神经网络进行特征提取,虽然目前目标跟踪算法取得了很大进展,但在实际应用中由于光照、背景干扰、尺度变化、快速运动、目标变形、遮挡以及目标旋转等多种因素的影响,目标跟踪算法在实际应用中仍然是一项非常具有挑战的任务。针对目前目标跟踪算法在实际应用中因多种因素影响导致的精度和鲁棒性不理想的情况,本文提出了一种基于深度孪生网络的目标跟踪算法。该算法使用孪生网络作为总体架构,首先使用深度残差网络ResNet50对模板帧与目标帧进行特征提取,在此基础上引入了卷积层间的特征融合以及利用特征金字塔模型FPN进行卷积块间的深浅特征融合来提升在目标变形及旋转情况下目标定位的准确性及精度。然后本文针对目标跟踪中的观测模型进行了设计,添加了目标掩膜mask模块来对模板帧和目标帧进行像素级的匹配,可得出目标大致轮廓,将目标的表观特征转化为像素级特征之间的对比,扩展了跟踪算法适用的广度,同时提升跟踪算法的鲁棒性。最后使用最小矩形拟合进行目标表述,提高了预测框内正负样本占用比,从而达到进一步提升目标跟踪精度的目的。为了验证本文算法的有效性,本文在公认的不同基准的测试数据集OTB2015、VOT2018和DAVIS2016上进行了算法性能的测试和对比试验。实验结果表明,本文算法在不同标准下,在多个数据集上均取得了优异的成绩。平均精度有1%的提升,鲁棒性也有一定程度上的提升。与基于孪生网络的现有目标跟踪算法相比,本文提出的算法能有效改善目标变形和旋转情况下目标定位不准确的状况,达到了提升算法精度和鲁棒性的效果。