目标跟踪算法已在安防监控、智能机器人、智能驾驶等领域广泛运用,这种需求也使目标跟踪算法成为了计算机视觉领域的研究热点之一。由于深度网络在图像算法领域的优异表现与硬件算力的不断提升,基于深度网络的目标跟踪算法也成为了目标跟踪领域的研究热点。当前性能较强的基于深度网络目标跟踪算法大多属于孪生网络系列算法,论文研究内容便是孪生网络跟踪算法中跟踪对象定位策略的改进。针对孪生网络跟踪算法中的区域候选网络（RPN,Region Proposal Network）跟踪对象定位策略存在的正/负样本不平衡问题和锚框（Anchor）的质量差与利用率低问题,论文将Anchor Free目标检测方法中的特征对齐网络引入区域候选网络,并提出能利用前一帧目标大小先验知识的孪生网络跟踪算法。实验数据表明改进后的区域候选网络正/负样本更加平衡,锚框的质量与利用率也有所提高。针对区域候选网络引入特征对齐网络后出现的采样偏差问题,论文使用精确采样卷积消除特征对齐的采样误差。论文基于分治思想将包围框（Bounding Box）回归任务分为先定位目标中心再确定目标包围框两个子任务,并利用前后帧目标大小变化率的分布指导锚框生成,再次提高了锚框的质量与利用率。实验数据表明再次改进后的区域候选网络能提高孪生网络跟踪算法的跟踪对象定位性能。针对区域候选网络训练时存在的提高正/负样本分类交并比（Io U,Intersection over Union）阈值后正样本数量减少问题,论文借鉴级联定位思想使得在更高的交并比阈值下,正负样本数量仍然保持相对平衡状态。同时论文仅使用卷积层便完成目标包围框的回归,算法时效性相比于传统级联定位方式更高。实验数据表明进一步改进的区域候选网络使孪生网络跟踪算法跟踪对象定位精度进一步提升。论文对孪生网络跟踪算法中的区域候选网络跟踪对象定位策略不断改进,先引入特征对齐网络以利用大小先验,再用精确采样卷积消除特征对齐网络的采样误差并基于分治思想改进网络,最后借鉴级联定位思想进一步提升跟踪对象定位性能。