近年来,人工智能和深度学习技术不断创新,机器视觉领域在智能感知、智能计算和智能信息处理上也取得了突飞猛进的进步,逐渐成为未来智能化军事的不可或缺的研究成果。为了防止在安防边境,军事重地等发生突然袭击等恶性事件,就需要在安防监控上进行更加有效的视频目标跟踪,所以,目标跟踪技术成为安防领域的重点研究内容,尤其是在目标发生遮挡时,需要通过智能化准确跟踪目标,为所处环境提供安防保障。因此,如何利用深度学习技术跟踪目标,尤其是遮挡条件下或目标重新出现后及时准确跟踪目标,在实际的军事环境中具有极大的研究价值和应用价值。在目标跟踪过程中,作为一种预测任务,目标往往受到不同程度的干扰,如背景环境干扰,形变等不利因素影响,其中,目标受到遮挡一直是目标跟踪领域的重大挑战,本文根据目标受到遮挡程度不同,将遮挡分为部分遮挡,严重遮挡或短时完全遮挡,长时完全遮挡或超出视野三种基本情况,并在深度学习的基础上,针对以上三个问题,分别在以下三个方面进行改进。（1）结合双注意力的孪生网络目标跟踪针对孪生网络目标跟踪受到部分遮挡等干扰后,容易产生跟踪不准确的问题,提出在基础架构上结合双注意力机制。利用轻量化的ECA-Net通道注意力机制优化模板分支的有效特征权重;利用改进后的轻量化全局注意力机制GEC-Net,从空间与通道两个方面提升搜索分支的特征映射能力,全面提升跟踪过程中的抗干扰能力,并通过定性与定量分析证明改进后算法在重叠率（提升5%）与中心位置误差（降低7.34个像素）等指标上均得到优化。（2）改进三分支的孪生网络目标跟踪针对Siam RPN++模型模板无法更新,无法适应严重形变或短时完全遮挡等问题,提出改进三分支的孪生网络目标跟踪算法。首先,在原有双分支的基础上,新增加上一帧模板分支用于更新目标的运动状态,更新后目标的运动状态与初始模板共同更加准确地定位目标;其次,在分类时,利用三元组损失替换原有的交叉熵损失,提升三分支情况下对目标的判别能力;最后,为了应对目标受到短时完全遮挡的情况,根据目标的移动速度开启局部扩大搜索,做到了在目标受到严重遮挡或短时完全遮挡后及时确定目标的位置信息和尺度信息,并通过定性与定量分析证明改进后算法在重叠率与中心位置误差等指标上均有所优化。（3）Shuffle Net V2轻量化全局搜索针对目标跟踪过程中的长时完全遮挡甚至超出视野的情况,在SPLT算法的基础上利用Shuffle Net V2轻量化网络优化全局搜索策略,通过优化Shuffle Net V2解决了该网络在GPU上速度较慢的问题,并将此网络应用在全局搜索模块,在提高重检测准确度的同时,提升全局滑动窗口搜索的速率,并通过实验证明改进后算法在跟踪精度（提升0.8%）和跟踪得分（提升1.1%）等指标的优越性。