目标跟踪是计算机视觉领域中一个重要研究分支,在智能视频监控、人机交互等方面具有极其重要的应用价值。近年来,随着深度学习在计算机视觉领域的广泛应用,越来越多基于深度学习的跟踪算法应运而生。本文对现有基于深度学习的跟踪算法进行研究,发现基于孪生网络的跟踪算法可以实现较为均衡的跟踪精度和速度。然而,研究表明深度神经网络容易受到对抗样本的攻击,对抗样本的存在给孪生网络跟踪器的鲁棒性带来了巨大的挑战。针对这一现状,本文将对抗攻击与目标跟踪领域相结合,首次提出将通用对抗攻击方法用于全卷积孪生网络算法(Siam FC),并提出相应的防御方法,对其他基于孪生网络框架跟踪算法的安全性研究提供了一定的参考价值。本文研究内容包括以下四个方面:(1)针对计算机视觉领域所面临的对抗攻击安全隐患,本文深入考虑基于深度学习的目标跟踪算法存在的对抗攻击威胁,提出在不同攻击环境下孪生网络跟踪器的鲁棒性问题。(2)对对抗攻击领域的经典攻击方法进行综合分析,采用单像素攻击和通用对抗攻击两种攻击方法对Siam FC算法进行攻击,以检测该算法的鲁棒性。实验表明,通用对抗攻击方法对Siam FC算法攻击效果显著,使其跟踪精度降低25.3%,验证了Siam FC算法鲁棒性差,无法应对对抗攻击方法的攻击。(3)采用对抗防御中的对抗训练方法,将通用对抗攻击生成的对抗样本加入训练集训练新模型,新模型的性能在原始数据集和通用攻击数据集上有所提升。(4)本文结合深度学习框架的特点,提出基于Siam FC算法的改进算法Siam FC-NK(Siam FC New Kernel),Siam FC-NK算法的跟踪性能在攻击前、攻击后的测试集上均有显著提升。