单目标跟踪指在给定某视频序列初始帧中的目标大小与位置的情况下,预测后续帧中该目标的大小与位置。虽然深度学习技术近年来在单目标跟踪领域发展迅速,但是由于现实场景中存在诸多挑战因素,目前仍然没有一个可针对单个行人进行准确跟踪的跟踪模型。本论文主要解决基于多尺度特征融合的单人目标跟踪问题,特别是提升视频中单个行人检测和跟踪性能。本论文在深度学习的基础上以设计准确的单人目标跟踪模型为目标。首先通过结合语义特征来提高行人检测模型的准确率,为单人目标跟踪奠定基础,其次设计一种基于多尺度特征融合以及膨胀卷积改进的单人目标跟踪模型,最后设计一种基于自注意力机制和交并比损失函数的实时单人目标跟踪模型。本论文的主要工作如下:（1）提出通过在现有检测模型中结合语义特征,解决一些硬性物质被误检成行人的问题。针对目标在图片中所占像素少的问题,使用感兴趣区域池化结合高层以及低层特征的方法对算法进行改进。将改进的模型在Caltech数据集上进行实验,实验表明改进的模型可以有效解决其他物体被误检为行人的问题。（2）提出将使用膨胀卷积获得的更大感受野的特征与通过标准卷积方式获得的特征进行融合以获得更加丰富的特征。其次通过使用低层网络与高层网络输出的特征进行融合以获得图片的纹理等细节信息以及高层语义信息,最后使用现有的单目标跟踪模型对图片序列进行预测,由于部分图片跟踪结果准确,减少了制作数据集所需消耗的大量的时间和精力。将改进的模型在数据集上进行实验,实验结果表明,相较于原模型,改进的模型有着更高的跟踪准确率。（3）提出使用多层特征融合的方式对模型进行改进以获得更多图片的特征信息,使用自注意力机制捕获多帧之间依赖关系,解决只依赖前一帧影响跟踪效果的问题。最后在原损失函数的基础上添加交并比损失以使模型的预测边框可以更好的与真实边框重合,从而提高跟踪模型的性能。将改进的模型在数据集上进行实验,实验结果表明改进的模型可以获得更加丰富的特征以增加模型的鲁棒性。