随着社会的发展，需要对越来越多的场景进行视频监控，根据视频图像做出相应的反应。然而，大多数的监控任务具有时间久，高危险，高精确等特点。为了更高效的完成监控任务，采用计算机视觉的方法成为了解决该问题的一个重要的方向。目标跟踪则是视频监控技术中最重要的一个环节，一个优秀的视频监控系统，必须具备对目标高效且准确的跟踪能力。因此目标跟踪技术在学术界引起了广泛的关注与深入的研究。目标跟踪算法在初始视频帧中自动或者手动的标记好被跟踪目标，在后续视频帧中伴随着目标的变化和运动进行实时而且准确的轨迹跟踪。然而，在跟踪过程中背景纷繁复杂，目标会发生遮挡、形变、光照等变化，这些都给跟踪任务带来了很大的困难挑战。通常跟踪算法使用的特征对目标的描述能力难以满足跟踪过程中目标多样性而复杂的变化，致使跟踪器丢失目标。本文针对跟踪任务中的困难提出了一种基于深度学习的跟踪算法，首先通过卷积深度神经网络的对数万张通用目标图像进行离线预训练，得到对通用目标可以进行表示的从简单到复杂的结构性特征。使用预训练得到的具有结构性的特征，通过在线训练的方式得到可以对跟踪目标进行分类的分类器，之后在粒子滤波框架下对跟踪目标进行在线跟踪。由于预训练的图像的种类是广泛的，使用的特征是具有结构性的，当目标发生遮挡和变化，仍然可以通过重新训练特征的参数对变化后的目标重新表示。采用基于卷积神经网络和粒子滤波框架的跟踪方法为解决目标发生的变化等问题提供了一个良好的实验框架。本文提出的跟踪方法以较好的实时性、准确性在多个测试视频序列中展现出了较好的跟踪能力。