目标跟踪作为人工智能领域的一个重要分支,它是对序列图像的处理过程,即在连续帧中输出指定目标的准确位置并形成运动轨迹。现在目标跟踪的应用主要集中在智能监控、无人机、自动驾驶等领域。在目标跟踪领域,从传统算法到深度学习算法的递进过程中,目标是否具有全面的特征表达会直接影响跟踪的精度和成功率。如何获得更全面的特征表示方法是本文的关键点之一。近些年来的目标跟踪算法可大致分为传统的目标跟踪算法以及深度学习相关的目标跟踪算法。传统目标跟踪算法一般具有良好的实时性,但是它只针对特定场景,泛化性能差。深度学习在处理图像时模拟人类的视觉系统,对接收到的外部信息进行分级处理,通过组合底层特征形成更加抽象的高层特征,可面对各种复杂场景变化,具有良好的泛化性能,但是实时性有所欠佳。针对这些不足,本文所提出的基于深度学习的目标跟踪算法,设计了一个轻量级的端到端的跟踪网络,不仅优化了特征表达从而实现更稳定的跟踪效果,而且加入了相关滤波层来提高跟踪速度,使得本文的算法在精度、成功率和速度上都具有一定的优势。本文的工作总结如下:第一,为了获取图像序列的时间和空间信息,设计时空采样网络来提取特征,并加入了可变形卷积层,解决目标形变等问题。在特征融合阶段加入了Attention机制,来优化目标特征,跟踪过程中当目标发生变化时,用K个历史帧的特征来丰富、增强当前帧的目标特征。此时空采样网络在无需复杂的网络设计和大量的光流数据条件下,可以获取到更加鲁棒的目标特征。第二,为了证明时空采样网络能够获取更加鲁棒的目标特征,进行了实验仿真,将时空采样网络得到的融合特征作为模板帧特征,在当前帧的特征图中进行搜索,采用归一化互相关方法进行特征匹配,在相似得分图的最高得分处来定位目标,得到跟踪结果。在OTB2013数据集上进行实验测试分析,显示其跟踪结果在精度、成功率、速度分别为0.833、0.636、34.8FPS,在面对形变、目标尺寸变化时较之其他一些经典算法,实现了更好的跟踪效果。第三,为了更进一步地提高跟踪效果,本文继续将深度学习提取的特征和相关滤波结合,将时空采样网络提取到的特征送入相关滤波层,在跟踪阶段实现目标的跟踪结果输出。相关滤波中的循环矩阵可以在傅里叶空间频域内进行快速运算,提算法的跟踪速度,使得本文所提出的DDCF算法拥有良好的速度优势,在OTB数据集的测试速度为42.3FPS,精度和成功率分别达到了0.886和0.666,得到了更好的跟踪效果。最后在实验室数据集上对DDCF算法进行测试,跟踪速度达到47.8FPS,说明该算法拥有在工程应用中的研究前景。