目标跟踪是计算机视觉领域的重要任务。目标跟踪技术的发展对当下科技社会的进步具有重要的现实意义,目标跟踪技术被广泛应用于视频监控、人机交互、自动驾驶等领域。随着深度学习在计算机视觉领域的不断应用,如何更好的利用深度学习对目标跟踪算法进行性能提高成为了研究的热点。为此,本文开展了如下工作:（1）基于孪生网络提出了一种应对复杂场景下相似目标干扰的目标跟踪算法。设计了一种新式的抗干扰模块,在经典算法Siam FC的基础上成功将抗干扰模块与原算法融合。设计外观特征提取网络模型,高效提取相关目标的外观特征向量,同时针对绝大部分端到端跟踪算法中存在的只能利用初始图像中目标特征的问题,设计特征向量集,在计算多组目标图像对的余弦距离基础上,使用了加权融合的方式对最近几帧图像中跟踪目标的特征进行利用,有效提高了算法对于长时间跟踪情况下的鲁棒性。（2）基于轻量化网络的思想设计并实现了一种深度级联孪生网络目标跟踪算法。针对当前基于卷积神经网络的目标跟踪算法存在网络模型过大的问题,设计了深度级联模块,通过级联深度卷积层,实现单通道内特征快速收敛,提高特征利用率,减少运算参数。实验结果证明,改进后的算法的网络模型大小约为原算法的四分之一,并且跟踪精度与成功率相较于原算法也有显著提高,算法推理速度较原算法也更快。（3）基于卷积神经网络的不同网络层特点设计了一种多层特征融合的目标跟踪算法。针对当前卷积神经网络输出层特征单一利用问题,设计多层特征融合利用网络提高算法跟踪精度。利用深层信息对目标的位置进行大致定位,同时利用不同方向浅层特征对目标进行更加精确的定位。在网络的训练过程中,将噪声分支融入到主干网络中,防止主干网络对正样本过拟合。并且在网络框架中利用注意力机制增强对敏感区域的关注度,提高算法精度的同时,增强跟踪算法对复杂背景场景下的鲁棒性。实验结果证明,本文设计算法对于目标跟踪任务具有有效性。