目标跟踪是计算机视觉领域的基础任务之一，有着广阔的应用前景和重要的研究价值。近年来，随着深度学习方法的广泛应用和众多大规模数据集的提出，目标跟踪算法的精度显著提升。当前，基于孪生神经网络结构的目标跟踪方法受到领域内学者的广泛关注，其兼具准确性和实时处理性能。孪生神经网络方法本质上是将目标跟踪问题等效为模板匹配问题进行处理，处理思路简洁高效，并充分利用在大规模数据集上的离线训练，使网络学习到适合跟踪任务的特征匹配空间。虽然此类目标跟踪算法性能优越，然而深入研究发现，当前基于孪生神经网络的目标跟踪算法的鲁棒性弱，在遮挡、快速移动、相似目标干扰等复杂场景中的性能不佳。鲁棒性是跟踪算法的核心指标之一，长期丢失目标会导致跟踪精度显著降低，而当前的众多研究工作将重心放在表观特征的研究上（例如在线更新方法、主干网络设计等），并没有充分利用时序信息或时空关联来提高跟踪算法鲁棒性。因此，本文将围绕漂移问题及鲁棒性这一主题，深入研究时空关联方法对于跟踪算法鲁棒性的作用，主要工作如下：
(1) 漂移的量化定义：本文深入研究连续帧输出状态变化模式，给出了漂移的量化定义，并指出存在两种漂移类型，即跳变型漂移和邻近漂移。同时，本文提出可以利用每种输出状态变化模式的帧数占比反映鲁棒性，定量分析跟踪算法对漂移问题的抑制作用。
(2) 基于运动预测的时空约束方法：本文首先针对当前孪生神经网络方法后处理流程中的缺陷和不足进行了深入分析，发现以余弦窗函数作为惩罚项来评估回归框质量不完全公平，需要引入参考框和运动信息来进行评估筛选。其次，本文利用卡尔曼滤波器作为运动预测模型，结合历史帧输出信息，生成当前帧的预测框作为参考框，并以此来评估所有的回归框。本文提出了IoU-Guided 空间约束方法，并通过大量的对比实验确定了空间约束方法与神经网络模型分类分数的结合方式，有效缓解了跳变型漂移问题。
(3) 基于时空关系建模的神经网络方法：本文提出采用两阶段的处理流程来应对邻近漂移问题。第一阶段负责利用孪生神经网络提取候选目标，第二阶段负责利用Self-attention 和Cross-attention 模块对候选目标的特征进行增强，充分挖掘单帧中候选目标之间的空间相对位置关系和相邻帧候选目标之间的对应关系，并以此来进行匹配关联，强化输出结果的鲁棒性。实验证明，此方法可以有效缓解邻近漂移问题。

总结而言，本文围绕跟踪过程中的漂移现象展开，主要研究时空关联机制来提高跟踪算法鲁棒性，并通过大量实验证明了所提方法均可有效缓解跟踪中的漂移问题。