目标跟踪技术应用广泛,与现代人们的生活联系十分密切。视觉目标跟踪任务是指对于任意一个视频序列,只在序列第一帧给出目标的边界框,需要研究人员设计算法准确地预测出目标在剩余帧中的位置。研究人员对于目标跟踪的研究已有十多年的历史,从最开始的生成式跟踪算法,例如基于光流法、粒子滤波、Mean Shift等传统目标跟踪算法,到近几年的判别式跟踪算法,例如基于传统机器学习、相关滤波和基于深度学习的跟踪算法,跟踪算法不断地发展进步,但目标遮挡、跟踪实时性、复杂场景下的准确跟踪依然给当前的目标跟踪任务带来了很大的挑战。目前,基于相关滤波和基于深度学习的算法是研究热点。近两年,孪生网络因其简单且有效的网络结构成为了目标跟踪领域的研究热点,其代表算法Siam FC、Siam RPN和ATOM等在速度和精度上都表现优秀。然而这些算法的特征提取网络都采用了比较浅层的网络,比如Alex Net,没有发挥出深度神经网络的优势。此外,由于孪生网络在提取特征阶段的下采样等操作,使得小目标在特征图中的尺寸很小,导致小目标的跟踪效果较差。针对孪生跟踪器存在的上述问题,本文主要做了以下三方面的改进工作:首先,提出了基于Res Net的深度特征融合网络Siam DFF来提高网络的特征表征能力,由于卷积时的填充操作会影响目标定位时的准确度,在每一个带有填充操作的卷积层后都会增加一个裁剪层来去除被填充操作影响到的特征。在此基础上通过融合不同尺度的深度特征,提高跟踪的准确性和鲁棒性;其次,提出了基于深度特征和通道注意力机制的高效算法Siam DCAN,通过在深度神经网络中采用通道注意力机制,使得网络能够捕捉通道之间的相互联系,有选择地强调更有利于区分目标的通道特征;最后,针对小目标难以准确跟踪的问题,提出了基于深度孪生网络和特征金字塔网络的视频目标跟踪算法Siam FPN,通过在深度孪生网络的基础上加入特征金字塔网络来提取和融合多尺度特征,最大程度保留了小目标的特征细节,有效提高了小目标的跟踪效果。三个算法在VID视频数据集上进行了训练,在OTB2013数据集和OTB2015数据集上进行了测试,并与众多基于深度学习和基于相关滤波类的跟踪算法进行了对比,实验结果表明我们提出的算法在跟踪精度上都有极大提升,证明了上述基于深度孪生网络和多尺度特征融合的目标跟踪算法的有效性。