基于计算机视觉的视频目标跟踪是智能视频监控、人机智能交互以及机器人视觉导航等领域的核心和关键技术。近年来随着大数据分析技术、视频采集技术和高性能计算机的发展以及日益提高的视频智能分析的需要促使目标跟踪算法的研究成为计算机视觉研究的热点之一。目标跟踪的难点在于仅有第一帧图像标定的真值条件下,需要实现复杂的环境和目标状态变化下的准确跟踪,同时具有一定的实时性。本论文针对复杂条件下的目标跟踪问题,将反馈机制应用于跟踪模型,结合深度特征的优点,从跟踪模型结构和跟踪结果评价方法两个方面进行了研究,提出了一种基于孪生网络的多模板评价选择跟踪算法。主要的研究内容和成果有以下几个方面:（1）传统算法往往将跟踪作为一个整体进行研究,本论文从单目标跟踪的过程出发,对复杂场景下的跟踪过程进行建模,将目标跟踪划分为运动模型建立、图像特征提取、外观模型匹配和跟踪模型更新四个阶段,对每个阶段的主要任务及不同方法进行了实验对比分析,为论文的后续研究建立基础。（2）区别于其他算法直接使用特征,本论文从跟踪任务中目标的特征表达出发,对人工特征和深度特征进行可视化,研究手工特征及不同深度卷积特征对跟踪性能包括精度和速度的影响,以STRCF和KCF框架为基础,在OTB-50数据集上,定性和定量的对比了 HOG特征及不同深度卷积特征在尺度、光照变化等复杂场景下的跟踪性能,通过实验得到高层的卷积特征更加适用于目标跟踪。（3）目前的跟踪算法均是基于前向传播机制,发生跟踪漂移后无法实现模型修正,本论文从跟踪模型更新的角度出发,针对基于深度特征的跟踪算法在实时性和计算复杂度以及跟踪精度之间的矛盾,建立了一个基于孪生网络的多模板评价选择跟踪框架,通过模板的评价选择,对模板更新过程进行监督修正,形成反馈调节,利用更新中的反馈机制,将复杂条件下不断变化的目标特征通过模板更新引入跟踪模型,从而取代特征提取器的更新。在OTB-50数据集上,相比于本文的Baseline,跟踪精确度提升了 7.025%,成功率提升了 8.061%,验证了多模板评价选择框架的有效性,本论文同时针对目标尺度估计、模型更新频率、模板集尺寸以及特征使用进行了定量的对比实验和分析,为本文框架的使用提供了实验依据,在i7-4790k,NVIDA GeForce GTX970配置下本文模型的跟踪速度达到10-25FPS。