视觉目标跟踪技术是计算机视觉和视频分析中的一个基础研究课题,其任务是在不断变化的视频序列中定位目标的中心位置和估计目标边界框的大小,它被广泛应用于智能视频监控,人机交互,机器人技术和自动驾驶等场景。尽管近几年目标跟踪技术取得了长足进展,但是由于遮挡、背景杂乱、照明变化、尺度变化、运动模糊、快速运动和形变等诸多挑战的存在,现有的目标跟踪算法的性能仍需进一步提高才能满足实际应用要求。近年来,由于深度卷积网络具备较强的特征表征能力,其被逐渐引入到目标跟踪领域以提高目标定位精度。其中孪生神经网络系列跟踪算法由于在速度和精度方面取得了较好的折中,受到了国内外研究者的广泛关注。基于孪生神经网络的目标跟踪算法中最具代表性的算法是全卷积孪生网络目标跟踪（SiamFC）算法,它实时性能良好,但由于其不具备模板在线更新能力,仅使用高层输出的语义特征进行互相关操作以获取目标位置,导致其在复杂场景下容易跟踪失败。此外,由于SiamFC算法在目标跟踪失败情况下缺乏重检测判别机制,不能较好的应用于长时跟踪场景。为了提高SiamFC算法的性能,本文针对其存在的问题进行改进,进一步提高算法的精确度和稳健性。（1）针对全卷积孪生网络目标跟踪算法（SiamFC）在严重遮挡、旋转、光照变化、尺度变化等情况下容易出现跟踪失败的问题,提出了一种融合扰动感知模型的孪生神经网络目标跟踪算法（SiamDam）。首先,将孪生神经网络提取到的低层结构特征与高层语义特征进行有效融合,提高特征的表征能力;然后,利用模板自适应策略在线更新模板,提高算法在遮挡和旋转等情况下跟踪的精确度;与此同时,引入基于颜色直方图特征的扰动感知模型到算法中,通过加权融合的方式获得目标响应图,以此估计出目标的位置,并利用相邻帧尺度自适应策略估计出目标最佳尺度;最后,采用2015目标跟踪标准数据集（OTB100）测试SiamDam算法,测得SiamDam算法的精确度得分为0.851,成功率得分为0.800,相比SiamFC算法分别提升10.3%和9.6%。（2）针对改进后的孪生网络目标跟踪算法（SiamDam）在跟踪过程中可能会跟丢目标,不能较好的适用于长时目标跟踪场景的问题,提出一种基于孪生神经网络和共现统计的长时目标跟踪算法（SiamCsLT）。首先,将目标外观相似度、峰值旁瓣比、短时模块预测得分三者结合起来判断SiamDam算法预测的目标可靠性;然后,根据目标可靠性决定是否启动重检测模块,如果所预测目标不可靠,则启动基于共现统计的重检测模块对目标进行重定位,以获得准确的目标位置;最后,利用OTB100数据集测试SiamCsLT算法性能,测得其精确度得分为0.902,成功率得分为0.849,相比SiamDam算法分别提升6.0%和6.1%,相比SiamFC算法分别提升16.9%和16.3%。该算法在长时目标跟踪场景下能较好的跟踪目标,具有广泛的应用前景和实用价值。