目标跟踪是计算机视觉领域的研究热点之一,其目的在于对连续图像序列中的目标进行定位与跟踪。长期跟踪是目标跟踪领域的一个重要分支,考虑跟踪偏移情况加入重检测模块,在无人驾驶、武器制导、无人机导航和视频监控等领域具有广泛的应用前景。地面场景相比空天场景和海洋场景,面临着更多挑战,跟踪过程中容易出现相似目标干扰、尺度变化、遮挡甚至超出视野等复杂情况,往往导致跟踪失败。由于具有强大的特征表征能力,深度学习在目标跟踪领域是前沿热点,其代表为SiamFC算法,本文也在深入研究该算法的基础上开展研究。本文分析了地面场景下的长期跟踪存在的问题,提出一系列改进方法,进行算法的研究与应用,主要贡献如下:(1)针对现有的深度学习跟踪算法在相似目标干扰下跟踪性能的不足,在SiamFC算法的基础上,结合迁移学习,提出一种基于实例迁移学习的目标跟踪算法(TLSiamFC)。在图像序列的初始帧,通过对离线预训练的目标识别网络,进行基于目标实例的迁移学习,提取出网络中的实例判别特征和尺度敏感特征,进而构建针对该目标的跟踪特征提取网络,最后结合Siamese网络,进行后续帧的跟踪任务。实验结果表明,改进的TLSiamFC算法,其成功率和精确度分别提升5.2%和5.7%,且能在CPU上保持66.8帧每秒的速度,有效提高地面场景下的跟踪性能。(2)针对长期跟踪场景,进一步改进TLSiamFC算法,对目标遮挡导致的跟踪偏移情况进行分析,提出基于重检测的长期目标跟踪算法(LTSiamRPN)。在重检测机制中,通过引入响应得分图峰值检测,进行每帧跟踪结果判决,发现跟踪失败时,通过引入RPN区域提取网络,进行候选目标的精确定位,从中找回跟踪目标;同时,结合隔帧更新与加权更新,改进目标模板更新策略。实验结果表明,改进的LTSiamRPN算法,其成功率和精确度分别提升2.8%和5.4%,并能在CPU上保持23.5帧每秒的速度,有效提高算法的长期跟踪性能。(3)针对以DM6437ZWT为核心的DSP嵌入式平台,将本文提出的LTSiamRPN算法进行落地应用。分别通过数据集的加工处理、网络模型的轻量化以及算法在平台上的优化加速,将算法成功应用于移动跟踪系统中,保持26.4帧每秒的实时性。通过场景测试,验证本算法具有较好的实际应用价值。