目标跟踪是计算机视觉领域的重要研究方向之一,在视频监控、智能机器人、无人驾驶、医疗诊断等多领域有广泛的应用。近几十年来,尽管目标跟踪算法已经取得诸多进展,但有些目标跟踪难题依然存在,例如:快速运动、运动模糊、背景混杂、目标形变、光照变化、目标出视野等。传统方法虽然计算效率和跟踪性能良好,但是由于手工设计特征的局限性,传统方法有时候并不能有效解决上述阻碍目标跟踪的问题。由于深度学习可以带来丰富的特征表示,强化学习可以将目标跟踪视为目标位置序列决策问题并学习好的跟踪策略,所以本文结合深度学习和强化学习对现有的目标跟踪算法进行研究学习,并提出了一些改进算法,主要工作内容如下:（1）提出一种基于注意力机制的改进ACT模型AACT。为了提高ACT模型在线跟踪时采用的分类器效果,本文引入DAT算法中的往复训练注意力机制,提出基于注意力机制的改进ACT模型AACT,借助往复训练方法,利用视觉注意力训练深度分类器,注意力图可以有选择性地关注时间鲁棒性特征,从而提高对目标的识别力。实验表明,这种往复训练注意力机制能够有效提高ACT算法的跟踪成功率,且针对背景干扰、形变、光照变化等问题表现优异。（2）提出了一种基于强化学习Actor-Critic帧间预定位的改进Siam RPN模型ACSiam RPN。由于Siam RPN模型搜索目标区域面积较小,模型有丢失目标的风险,为了提高跟踪准确率和成功率,本文融合前一帧和当前帧目标的帧间目标运动信息,扩大搜索区域为4倍目标边长,借鉴ACT算法利用强化学习方法Actor-Critic训练预定位网络,在更大的搜索区域单步计算目标位移,进一步校正Siam RPN搜索区域的中心。实验表明,本文提出的改进Siam RPN模型ACSiam RPN的跟踪准确率和成功率均超越了Siam RPN,运行速度65fps,仍然保持良好的实时性能,与当今一些较为先进的目标跟踪算法相比具有明显的优势。这种扩大搜索区域的基于强化学习方法训练的预定位网络可以有效提高Siam RPN模型的精确率和成功率,且在面对快速运动、运动模糊、光照变化和尺度变化等问题时表现出色。（3）提出了一种基于PWC-Net光流预测的改进Siam RPN算法PWCSiam RPN。为了提高Siam RPN模型跟踪准确率和成功率,本文采用4倍搜索策略,利用PWCNet光流预测网络引入光流信息,有助于预测目标前后帧的运动趋势,与此同时借助Ro IAlign获取前一帧目标外观特征,引入GIo U作为损失函数训练预定位网络,随后利用预定位结果来校正Siam RPN模型搜索区域中心。实验表明,PWCSiam RPN的跟踪准确率和成功率均超越了Siam RPN,且在面对快速运动、目标形变、目标出视野和尺度变化等问题时表现出色,运行速度20fps,接近实时性能。与当今较为先进的一些跟踪方法依然具有一定优势。此外,本文提出的各种Siam RPN改进模型及其变体的对比实验表明,扩大搜索区域、引入帧间运动信息和光流信息进行Siam RPN跟踪前的帧间预定位可以有效提高Siam RPN模型的跟踪效果。