计算机视觉技术蓬勃发展,在医疗诊断方面,各种计算机辅助诊断的新技术也不断涌现。随着时代技术发展,医学诊疗技术日益提高,从医生单一经验诊断模式,逐步发展成医学成像设备辅助医生诊断的模式,到现如今,各种医学成像技术已是临床诊断中极具价值的手段方法。医学影像分析可以提高医生诊断疾病的效率和准确性,诸如用图像分割与识别技术获取并识别目标位置的轮廓,得到相应的临床参数,为医生提供可靠的参考。而在这一领域,深度学习展现出巨大优势,其对医疗影像的分析结果能为医生的医疗诊断提供帮助,能够辅助医生快速定位病灶区域,分析病变情况。基于现有国内外目标跟踪方法以及医学超声影像辅助处理系统,本文的主要提出了一个基于颈动脉超声影像的目标跟踪方法,并简单实现基于此方法的颈动脉超声影像血管跟踪系统。本文针对颈动脉超声的颈动脉目标跟踪提出基于Siam FC网络优化后的Siam FC-Ultrasound Images网络结构。其主要主体结构由孪生子网络和分类回归子网络两个部分组成,孪生子网络使用修改过的50层的深度残差网络（Resnet50）作为骨干网络,分类和回归子网络则由分类分支和回归分支组成,子网络在不影响精度的情况下通过减少层数、降低特征图维度的方法,提高目标跟踪的预测效率。并且为了优化超声图像的图像信息清晰度低、图像模糊等的缺点,本文使用了一种灰度直方图均衡化的图像预处理方式,提高了超声图像的目标跟踪效果。同时,该网络基于工程系统的实际项目需求,采用模型裁剪的方法对模型网络的滤波器（filter）进行修剪,在不较为明显地影响模型跟踪精度的情况下,减少网络中的参数和卷积计算的次数,提高网络的跟踪速度,解决由于孪生网络中特征提取骨干网络模型参数多计算次数高,可能导致的存储开销大和系统响应不及时的问题。