近年来以人工智能为基础的智能视频监控技术得到了快速发展。传统目标跟踪算法采用人工特征建立目标表征模型,以先验知识作为算法基础而忽视了目标本质特征,算法适应性欠佳。为获得鲁棒的目标表征模型,本文设计了基于卷积神经网络的运动目标深度表征建模,提出了基于卷积神经网络的分类模型和对比模型,并结合粒子滤波算法框架,建立运动目标跟踪算法。本文主要研究工作如下:首先,针对跟踪目标的表征模型问题,设计了基于卷积神经网络的深度特征表征,提出了一种小型分类网络模型用于运动目标表征建模。该网络模型针对目标跟踪中样本数量过少的问题,采用离线训练与在线微调相结合的思路,适应不同的跟踪目标。此外,针对分类网络模型存在的模型更新与跟踪实时性冲突的问题,设计了基于孪生卷积网络的对比模型。该网络模型利用视频序列样本进行离线训练,获得适应于跟踪问题的相似性度量函数,模型参数不需要在线更新,从而提高计算实时性。其次,基于粒子滤波目标跟踪框架和跟踪目标深度特征网络模型,建立目标跟踪算法。在基于卷积神经网络分类模型的跟踪算法中,通过构建跟踪分类器,实现对目标的跟踪,并设计了长时与短时相结合的模型更新策略以适应跟踪过程中的遮挡、外观变化等情况。同时引入一种在线困难样本挖掘策略,提高算法更新效率并增强鲁棒性。在基于孪生卷积神经网络对比模型跟踪算法中,采用模板匹配思路,对比目标与候选目标之间相似性程度,寻找最优位置,并建立目标模板更新策略以适应遮挡环境下的目标跟踪。最后,对提出的跟踪算法基于Ubuntu14.04环境下利用Caffe深度学习框架与Matlab2016a开发平台进行了实现和仿真,并选用15种传统跟踪算法进行性能分析。实验结果表明本文提出的基于深度卷积特征的目标跟踪算法在遮挡、光照、相似背景等复杂条件下均可实现鲁棒跟踪。