目标跟踪是计算机视觉领域的重点和难点课题,一直以来都受到广泛关注。目标跟踪的应用和发展具有十分重要的意义,例如在无人机、智能交通、精确制导、机器人、人机交互等军用和民用领域都有着重要作用。目标跟踪的研究已有几十年的时间,目前也取得了不少成果。然而,尽管很多跟踪算法已经被提出,但是由于跟踪过程的复杂多变,实现鲁棒跟踪仍然是一个巨大挑战。随着机器学习算法的兴起,深度学习(Deep Learning)被用来解决计算机视觉等领域的问题,因此深度学习也自然而然地被引入到目标跟踪问题中。此时把跟踪看作一个二分类问题,将目标从背景中分离出来。深度学习是模拟人脑学习和分析过程构建的多层次神经网络,这种结构能够更好地学习到物体的本质特征。本文从特征提取角度入手,采用了有强大的特征提取能力的深度神经网络模型来进行目标跟踪,旨在探讨基于深度学习的目标跟踪算法的效果。针对复杂环境下传统跟踪算法易受噪声干扰导致精度下降的问题,本文采用堆栈降噪自动编码器(Stacked Denoising Autoencoder,SDAE)作为深度模型的网络结构,通过在预训练中使用被噪声污染过的数据,增强算法的抗干扰能力。针对传统深度网络中逻辑回归分类器分类效果不佳的问题,在网络的顶端引入了支持向量机(Support Vector Machine,SVM),增强了网络的分类能力,提高了跟踪算法的精度。在跟踪过程中,本文采用粒子滤波框架来完成。利用粒子滤波算法分散粒子,将全部粒子通过深度网络获得每个粒子的置信度,置信度最高的粒子区域作为最终跟踪结果。最后,为了测试提出算法的性能,在VTB标准测试平台下对各种复杂环境的图片序列进行测试。最终实验结果表明本算法可以有效地解决跟踪过程中出现的遮挡、光照变化、尺度变化、外形变化、相似背景等问题。