目标跟踪的主要任务是从连续的视频序列中检测出待跟踪目标在每一帧图像中的位置。随着人们对计算机视觉领域不断深入的认识,运动目标跟踪在计算机视觉领域得到了广泛应用和发展,目前已经存在大量的跟踪算法来实现运动目标跟踪。但是,由于遮挡、背景杂乱、外观形变、光照变化、视角变化等客观因素的影响,目前准确地跟踪目标仍然面临极大挑战。本文针对目标跟踪中遇到的主要问题进行了研究,主要成果有:(1)提出一种基于分布场特征的相关滤波目标跟踪方法。针对利用传统特征提取算法处理待跟踪目标模糊时易造成特征信息损失的问题,通过分布场描述子获取待跟踪目标特征并引入尺度滤波器实现目标的自适应尺度调节跟踪,利用自适应对冲算法更新模板权值。实验选取了具有代表性的算法与本章方法进行比较,实验结果表明,所提出算法在光照发生变化、待跟踪目标被遮挡、镜头快速移动时具有鲁棒性,可以较准确地跟踪待测视频序列。(2)提出一种基于挤压激励模块的孪生网络目标跟踪算法。利用孪生网络学习待跟踪目标之间的相似性,通过引入挤压激励模块改进全卷积网络的网络结构,网络可以在线学习获得每个特征通道的重要性,从而增强有用的特征通道。提出了两种增强网络表征能力的方法,与传统目标跟踪算法对比,该方法能适应目标与背景变化,对于目标跟踪可以达到实时跟踪,性能良好。(3)提出一种基于深度挤压激励残差网络的目标跟踪算法。针对目标跟踪领域数据集较少,不足以支撑深度网络训练,提出组合样本扩充数据集的方法,利用视频序列初始帧图像进行样本扩充。将挤压激励模块引入深度残差网络中构建二分类网络模型,以提高目标网络的准确率,用所获取的扩充数据集训练深度挤压激励残差网络。通过与典型的目标跟踪算法进行比较,实验表明,所提出算法可以应对多种复杂跟踪场景,具有一定鲁棒性。