目标跟踪是一项有挑战性的计算机视觉任务，在智能交通、人机交互、视频监控等领域有重要作用。目前已经出现诸多性能优越的跟踪算法，但是在煤矿场景下实现良好的跟踪效果,依旧存在较大困难，主要面临遮挡严重、背景干扰较多、井下人员较多、数据集样本数量少、缺乏统一标注等挑战，严重影响目标跟踪的效果。针对煤矿场景下,矿井视频数据集不完善、图像质量差以及缺乏统一标注等问题，设计了一种无监督的方法训练目标跟踪模型，将相关滤波和孪生网络相结合，融合二者在目标跟踪任务的优势，构建轻量级端到端的目标跟踪网络模型,采用目标前向跟踪、多帧后向验证方法完成无监督模型的目标跟踪过程。模型的主干网络使用轻量级AlexNet神经网络，解决了煤矿环境下移动平台存储和计算资源有限的问题。根据矿井环境下存在遮挡严重、背景干扰较多、密集目标排列紧密复杂等问题，提出了使用注意力机制提取视频图像中目标重要性信息的方法。在模型的主干网络结构中添加通道注意力机制和空间注意力机制,将重点关注的目标从诸多背景信息中提取出来，通过处理重要信息进而更好地完成跟踪当前目标的任务。将改进后基于注意力机制的无监督矿井人员跟踪模型与ECO，Staple，DSST，SiamFc，SiamRPN模型的平均覆盖率和平均中心位置误差进行对比，发现所提出的目标跟踪模型适用于煤矿复杂环境的人员跟踪问题，具有较好的目标跟踪效果。