近年来,目标跟踪已经成为计算机视觉领域的热门课题之一,可广泛应用于无人机、视频监控、人机交互等许多实际系统中。目标跟踪算法的任务是利用给定的初始帧来预测后续帧的目标位置和大小。尽管在过去十几年里,人们研究了许多优秀的目标跟踪算法,但是由于有限的训练样本和视频挑战因素的存在,使得目标跟踪仍是尚未解决的难题。本论文在深度学习算法的基础上,针对目前跟踪算法存在的问题,提出两种新的适用于目标跟踪的算法。论文的主要研究内容如下:针对现有相关滤波算法无法从端到端的训练中获益,以及深度学习算法通过单个或少量样本在线训练深度网络具有挑战性等问题,提出一种基于时间和空间网络的深度集成目标跟踪算法。该算法主要包括四个方面:特征提取、深度回归网络、分支网络和自适应集成学习。采用卷积神经网络进行特征提取以获得图像信息。深度回归网络将特征提取和相关滤波算法集成到卷积神经网络中进行端到端训练。分支网络由时间网络和空间网络构成,其中时间和空间网络分别捕获目标的时间和空间信息,并进一步细化目标位置。自适应集成学习弥补了目标信息的不足,提高了跟踪精度。跟踪基准数据集上的实验结果表明,该算法与先进的跟踪算法相比具有良好的性能。针对上述算法复杂的模型结构和大量可训练的参数,以及以往回归模型跟踪算法无法在精度和速度之间找到平衡点等问题,提出一种基于多核卷积聚合的深度回归目标跟踪算法。该算法仅有三个卷积层构成,其中引入了一个多核卷积聚合层用以回归输出,该层利用多个并行的卷积核来捕获多区域的目标信息,以提高算法的整体性能。在此基础上,本文还提出一种用线性插值法来确定目标大小的尺度估计方法,该方法通过融入前一帧估计的目标大小,使得当前帧的预测值更加平滑。大规模跟踪基准数据集上的实验结果表明,该算法的性能优于最先进的跟踪算法,且实现快速跟踪。