随着计算机信息技术和深度学习算法的发展,作为计算机视觉领域的热门方向之一的视觉跟踪技术在深度学习算法的协助下,逐渐成为了人工智能领域及物联网感知层的重要技术之一。视觉技术成为了人类和计算机认知世界的重要途径之一,并且基于深度学习方法的计算机视觉技术日渐被应用于军事作战和社会生活的各个方面。例如,在现代化战争中占据重要地位的精确制导武器采用视觉跟踪技术提高打击目标的击中率;随着5G时代的到来,处于人工智能热潮中的自动驾驶行业也采用视觉跟踪技术实现车辆行人轨迹的跟踪预测。本文以计算机视觉技术中的视觉跟踪技术为背景,针对视觉跟踪技术中的单目标跟踪技术存在的问题进行深入分析研究,具体工作如下:首先,针对基于候选区域的孪生神经网络目标跟踪算法中特征提取网络的参数量大,算法结构分支复杂,抑制算法运行速度提升的问题,本文在此算法基础上改进提出了一种基于特征相关性分类回归的轻量级跟踪算法。该算法首先调整了特征提取网络层结构参数,缩减网络模型参数量,其次根据特征间相关性响应结果特征进行目标的类别和边框预测,进一步实现算法的简化及性能增强。其次,为了解决预训练的特征提取网络模型不能提取到通用表观性能好的目标图像特征问题,本文提出了一种融合显式上下文特征映射的跟踪改进算法。此算法的提出受贝叶斯推理启发,融合目标的显式上下文信息,获取更具通用表征性的高层语义特征,通过一种高维特征降维可视化的方法验证此算法的有效性。再次,针对基于候选区域的孪生神经网络目标跟踪算法在不更新目标模板的前提下,目标模板可能包含大量背景信息,导致特征提取网络提取到混杂着大量背景信息的图像特征,本文提出基于特征相似度分离前景与背景特征的跟踪算法,充分利用前景特征与背景特征的潜在价值用于目标搜索,完成跟踪任务。最后,基于python开发语言和pytorch深度学习神经网络开发框架完成了算法的实现验证。实验结果表明,本文提出的算法均能实现单目标的稳定跟踪。