首先,本文提出一种新的基于相关滤波以及深度孪生网络的鲁棒长程视频跟踪算法。该算法能有效对长视频中存在的目标长时间遮挡、快速运动、消失视野等挑战进行处理。当目标经历长时间遮挡又重新出现在视频中时,本文所提算法通过离线训练好的深度孪生网络,使用模板相似度匹配来进行目标的重检测,从而得到高质量的目标候选区域。为了筛选得到正确的目标区域,本文提出了一种有效的多专家评估机制,来筛选得到置信度最高的目标区域。本文所提出的长程视频跟踪算法在当前几个主流的跟踪数据集上均取得了较为优异的跟踪结果。其次,针对基于相关滤波的深度视频跟踪算法所使用的深度特征复杂度高,针对性不强等问题,本文提出了一种基于深浅层特征学习网络(Deep and Shallow feature learning Network,简称DSNet)的高效视频跟踪算法。该特征学习网络能同时编码目标浅层以及深层信息,以端到端的形式学习得到统一分辨率且低维的特征。学习得到的特征能有效应用在当前任意基于相关滤波的视频跟踪框架中,且无需进行任何在线的微调或改变。此外,基于目标区域关于背景区域在特征图上的激活比,本文提出了特征通道置信度评价方法(Channel Reliability Measurement,CRM)。基于CRM的特征选择,跟踪算法可以得到并使用更为紧凑且鲁棒的目标跟踪特征。实验结果表明所提出的特征学习方式不仅能显著提升当前主流的基于相关滤波的深度视频跟踪算法的精度,而且能有效提升跟踪速度。然后,由于传统的基于分类的深度视频跟踪算法采用在线采样、在线训练等策略,其过高的计算复杂度导致此类算法往往难以实时运行。针对此问题,本文提出了一种新的基于多分支自编码对抗网络的高效视频跟踪算法。与传统上述方法不同,所提出的方法将视频跟踪任务考虑为一个目标概率分布生成问题。具体来说,本文提出了一个可以融合多层特征信息的轻量级生成网络。通过采用对抗训练,生成网络能学习到更具有判别力的特征表达。在跟踪过程中,给定目标模板和搜索区域,生成网络能通过单次前向计算准确估计目标概率分布,从而完成单次跟踪。所提出的跟踪算法不仅能在单GPU平台上达到200+FPS的跟踪速度,而且在UAV20L数据集上取得了比MDNet跟踪算法更好的跟踪精度(57.2%)。最后,本文提出了一种新的基于幻觉对抗网络的深度视频跟踪算法。该算法旨在于模仿人类的想象机制,来生成多样的在线目标训练样本,从而缓解传统的基于卷积神经网络的跟踪算法在跟踪过程中发生的过拟合问题。具体来说,本文首先提出了一种通用的幻觉对抗网络,来学习样本对间的非线性形变。然后,本文提出一种新的形变重构损失,使得所提出的幻觉对抗网络可以通过自监督的方式来进行有效训练。为了使迁移的形变能动态适应于当前视频跟踪任务中的目标,本文提出一种新的选择性形变迁移方法。基于所提出的幻觉对抗网络,本文提出一种新的幻觉对抗跟踪算法(Hallucinated Adversarial Tracker,HAT),本文所提出的HAT算法在OTB-2013、OTB-2015和VOT-2016数据集上均取得了较为出色的结果。尤其在OTB-2013数据集上,所提出的HAT算法取到了当前最佳的精度结果(95.1%)。