目标跟踪是一项计算机视觉的基础研究方向,常见于汽车自动驾驶、交通监控系统等应用场景中。随着深度学习的兴起,各类性能优异的算法相继被提出,Siam RPN便是其中之一。该算法借鉴目标检测任务中的检测模块,提出孪生区域候选网络结构,实现了对跟踪目标的前景背景分类预测及边界框回归预测,但该算法的检测模块采用的是L1范数损失函数,未考虑预测框与真值之间交并比（intersection over union,Io U）的关系,导致对边界框的预测较为粗糙,在干扰场景中容易产生偏差。针对这一问题,本文基于Siam RPN算法进行改进,提出了一种结合Io U的孪生网络目标跟踪算法,具体创新工作如下:（1）针对回归预测未考虑Io U关系导致预测准确性不足的问题,提出采用Io U损失优化回归预测。由于Siam RPN算法参数量大,且参数分布不平衡,使得网络优化困难,直接将Io U损失作为回归损失函数会导致网络无法收敛。为此设计了Io U-smooth L1联合优化策略,利用Io U损失精确修正算法回归分支对目标边界框的预测。Io U-smooth L1联合优化策略选择将最佳匹配正样本点的Io U损失与其余正样本点的L1损失的总和作为回归损失,并通过对搜索图像进行随机位移采样的方式,弥补由单个样本点计算Io U损失的训练不充分问题。（2）分类正样本采样于同一个目标物体,使得相似的正样本之间缺乏足够的区分性,算法难以合理对其进行分类评估,且容易受到先验参数设置的影响。针对这一问题,提出了Io U加权分类的策略。该策略依据回归分支预测结果,计算预测框与真值框的Io U,将其作为分类正样本的权值,使回归分支预测更加准确的正样本在分类时获得更大的权值。（3）Siam RPN回归分支与分类分支缺乏关联性,跟踪过程中可能出现两分支预测输出的最优结果不匹配的问题,使得算法在干扰场景中容易产生漂移。为此,通过Io U作为权值的方式将回归分支与分类分支关联起来。在Io U加权分类中,由于分类预测参考了由回归预测结果所计算的权重,使得两分支预测具有了关联性,从而进一步提升了算法的稳定性,使其在干扰条件下性能表现优于原算法。本文将Siam Io U与Siam RPN以及其他主流算法在OTB2013、OTB2015和VOT2018跟踪基准库上进行对比实验,结果表明改进后的算法能有效提升跟踪性能,在某些跟踪场景下抗干扰能力更强。