随着新能源汽车自动驾驶技术在我国的部署与发展,车辆跟踪问题成为自动驾驶技术中环境感知任务的重点与难点,故提升复杂交通场景下车辆跟踪的精度和鲁棒性至关重要。但是交通道路环境中的车辆跟踪任务存在诸多挑战,如光照与天气等环境因素复杂多变,以及密集交通流中易产生的背景杂乱和目标遮挡现象等。针对以上问题,本文对现有的车辆跟踪算法进行了改进,提出了更具有目标-背景判别能力的神经网络模型和遮挡情况下目标重跟踪机制,提升了车辆跟踪算法性能。本文主要研究内容和创新成果如下:（1）本文提出在特征提取网络中加入通道注意力机制。首先利用卷积神经网络提取车辆目标的特征图,然后重新标定特征图中各通道权重。引导算法模型更加关注区分度高的特征通道,增强对目标外观特征表达的鲁棒性,解决了车辆跟踪中运动模糊与光照变化等问题。（2）本文实现嵌入相关滤波层的类孪生网络模型,将相关滤波算法解释为一个可微分层,紧耦合到孪生网络模型中,提高了模型计算目标与候选区域相似度的准确性,有助于解决背景杂乱的问题。且端到端的结构和较浅的网络层次保证了跟踪算法的实时性。（3）本文设计了焦点逻辑回归损失函数。为应对跟踪任务中,训练模型时正负样本和难易样本数量不平衡,最终导致模型泛化能力差的问题,本文设计了焦点逻辑回归损失函数,让模型的训练更加关注数量较少,但对模型的性能提升更有价值的正样本和困难样本。使模型对目标和背景相似的困难样本有更强的泛化能力。（4）本文提出了结合卡尔曼滤波算法的目标遮挡检测和目标重跟踪机制。充分利用目标车辆的运动信息,不仅结合目标的运动先验信息与目标外观信息,提升位置估计的精度,还实时地检测目标遮挡,当基于目标外观信息的跟踪算法故障时,利用系统运动方程预测目标位置,直至目标重新出现,提升了车辆跟踪算法的鲁棒性。本文提出的算法在三个跟踪数据集上进行测试。实验结表明,相比目前先进的跟踪算法,本文提出的算法具有更高的精确度和鲁棒性,并且能更好的应对交通环境中的多种挑战。