视觉跟踪旨在跟踪视频序列中给定的目标,是计算机视觉领域的热门研究课题,已受到了广泛的关注。随着深度学习的迅速发展,神经网络的强大的特征提取能力使得视觉跟踪取得了巨大的进展,但是视觉跟踪依然面临很多挑战,如背景噪声、目标形变与快速移动、光照变化等。为了使得跟踪器更加鲁棒,本文研究了深度神经网络中的目标特征表示学习,提出了基于弱监督特征表示学习的视觉跟踪方法和基于图卷积特征表示学习的视觉跟踪方法,具体如下。第一,针对目标的特征描述不够鲁棒,及模型更新时引入背景噪声导致模型漂移等问题,提出了基于弱监督特征表示学习的视觉跟踪方法。本文方法首先引入了类激活映射,利用弱监督的思想学习出目标边界框中最具判别力的特征,并通过权重矩阵计算得到该特征。同时通过抑制边界框中不重要且琐碎的区域,获得原样本和被抑制琐碎区域的样本。接着利用两种异构的神经网络学习这两种样本的异质特征,使得分类器更加鲁棒。该方法还提出一种简单有效的数据增广策略,即利用上述的权重矩阵同时识别出边界框最具判别力的特征,通过掩盖这些特征使得分类器更加关注于目标的细节特征,这样不仅缓解了正负样本不均衡的问题,同时提升了分类器的鲁棒性。在多个公开数据集上的实验验证了该方法的有效性。第二,提出了基于图卷积特征表示学习的视觉跟踪方法。通过借鉴目前流行的图卷积神经网络,本文方法首先使用传统卷积神经网络提取出的特征构造邻接矩阵,再通过图卷积网络学习出目标的结构化特征,以强化目标特征描述的鲁棒性。因异质特征对跟踪结果有着不同的影响,最后利用注意力机制进行自适应特征选择,以突出对跟踪器有利的特征。在OTB-2015和TC-128数据集上的实验证明了该方法对相似目标和目标形变的挑战性能更好。