近年来,目标跟踪技术已成为计算机视觉领域的研究热点之一。基于孪生卷积神经网络的目标跟踪算法自被提出以来,就以兼顾速度与精度的优势吸引了大批研究者的关注。与此同时,该类算法仍面临诸多挑战,当实际环境较复杂时,易出现跟踪漂移或失败的现象。为进一步改善算法在不同挑战因素下的准确性,本文首先对算法的模板设置与搜索范围选取策略进行改进,提升了算法在快速运动、背景相似场景下的精确度。然而由于单特征提取网络结构的泛化能力不足,使得算法在其它部分挑战因素中性能提升有限,因此本文随后提出一种在线选择的多分支模型,算法在运动模糊、光照变化等复杂场景具有较好的稳定性。本文研究成果和主要贡献如下:1、提出一种基于光流预测的孪生卷积跟踪算法。目前主流孪生卷积算法以第一帧目标为模板,当目标外观在后续帧改变时,易发生漂移现象;并且,以上一帧目标为中心选取当前帧的搜索范围,对目标瞬时长位移场景不鲁棒。为此,本文分别对模板与搜索范围的选取做了以下改进:首先,提出一种模板更新机制,在线学习外观转换参数矩阵,使其与模板特征图循环卷积的结果与上一帧目标特征图近似,用正则线性回归对该过程建模,并将其转换到频域求解。其次,提出光流运动信息预测模块,利用光流网络估计目标在相邻帧之间的相对运动趋势,根据预测结果选择该帧搜索范围,使得目标靠近搜索中心,降低余弦窗口对响应图惩罚不均衡的影响。为证明所提模板更新机制与光流运动信息预测模块的性能,将本算法与其他算法在公开数据集上进行对比。实验结果表明,本算法相比于基础算法Siam Fc,在快速运动场景上精确度提升4.1%,在背景相似场景上精确度提升10.0%。算法在快速运动、背景干扰、非刚性形变等情形具有良好的性能。2、提出一种基于多分支在线选择的孪生卷积跟踪算法。目前主流孪生卷积算法使用单一匹配函数,且不对其在线更新,导致算法泛化能力差,无法有效表征部分场景的目标特征。针对该问题,本文使用多分支结构进行改进,分支共分三部分:第一部分为普通分支,其结构与Siam Fc算法一致;第二部分为多样性分支群,其中包括10个垂类分支,每个分支使用ILSVRC-2015数据集预训练后,再用训练集聚类后的数据微调,使每个分支具有特定场景的表征能力,其中微调使用“三联一组”的训练策略;第三部分为Res Net分支,该分支采用分类任务预训练网络,特征提取部分基于18层的Res Net结构进行调整,同时加入特征融合机制以避免因网络加深而导致跟踪精度下降的问题。在线跟踪时,选择响应图区分度最大的分支来跟踪,并以8帧为间隔重新选取分支。为证明多分支网络结构中各分支的作用,首先进行消融实验,结果表明每个分支均改善了所提算法的性能。随后在OTB平台上与其他主流算法进行对比,实验结果表明本算法可有效应对运动模糊、光照变化等复杂场景。