標跟蹤是計算機視覺領域一個重要的研究熱點，應用范圍廣，包括無人機監察、無人駕駛、行人與車輛監控等。目標跟蹤從上世紀50年代初起源至今，盡管已有大量研究成果，但對于復雜場景的實時目標跟蹤依舊難以實現。目標跟蹤過程中的目標變形、光照變化、尺度變化、快速運動與模糊、遮擋等依然是穩定跟蹤目標的艱巨挑戰。

　　目前，主流的目標跟蹤算法主要有傳統目標跟蹤方法和基于深度學習的目標跟蹤算法。傳統目標跟蹤方法在跟蹤實時性上表現較好，但是由于特征提取能力受限，導致在不同應用環境下準確性和魯棒性受限?；谏疃葘W習的目標跟蹤算法特征提取能力很強，但其計算復雜實時性難以保證。

　　光電所光電探測與信號處理研究室研究員等帶領的研究團隊針對復雜場景飛機目標實時跟蹤的實際應用，對Multi-Domain Networks深入研究，基于其在跟蹤準確性上的優異表現，提出了簡約跟蹤框架Fast Deep learning Tracking Networks(FDLAT Net)，通過深度網絡的多層特征增強了目標特征及表示有效克服了目標姿態、復雜場景干擾等問題。

　　研究團隊進一步通過全連接層與回歸層的優化，在有效地提升了目標跟蹤的處理速度的同時也很好地提升了目標識別的準確性和目標跟蹤的精度，使算法對姿態變化、場景干擾、尺度變化等情形下的目標都實現了穩定跟蹤，并達到實時跟蹤的要求。