1.基于多循环对比增强一致性的自监督跟踪损失优化方法，其特征在于，对训练数据集中的视频帧依次执行前向跟踪和反向跟踪，并对前向跟踪和反向跟踪最后一步的模板帧进行数据增强操作；根据第一帧的真实目标标签及其反向跟踪生成的伪标签构建循环一致性损失；根据增强后的视频帧与对应的原始视频帧在执行前向跟踪和反向跟踪的差异构建对比增强损失；联合循环一致性损失和对比增强一致性损失对自监督跟踪模型进行优化，具体包括步骤如下：S1.将训练样本对中的样本数据依次输入网络执行前向跟踪，生成对应的前向跟踪响应图；

S2.将训练样本对中最后一帧样本数据对应生成的跟踪响应图作为反向跟踪初始值，并对训练样本对中的样本数据反序依次执行反向跟踪，生成对应的反向跟踪响应图；

S3.根据训练样本对中第一帧样本数据上存在的真实目标标签及其对应的反向跟踪响应图，构造循环一致性损失l1；

S4.对训练样本对中前向跟踪和反向跟踪的最后一步所用的模板帧进行数据增强操作，生成对应的增强图像；

S5.分别在执行前向跟踪和反向跟踪最后一步的样本数据上生成对应的增强分支响应图；

S6.根据前向跟踪中同一帧对应的增强分支响应图与前向跟踪响应图，构建对比增强损失l2；根据反向跟踪中同一帧对应的增强分支响应图与反向跟踪响应图，构建对比增强损失l3；

S7.根据反向跟踪最后一步的样本数据对应的增强分支响应图和第一帧样本数据上存在的真实目标标签，构建对比增强损失l4；

S8.联合上述损失，构建总损失l总，优化自监督跟踪模型。

2.根据权利要求1所述的基于多循环对比增强一致性的自监督跟踪损失优化方法，其特征在于，所述数据增强操作包括高斯模糊、高斯噪声、亮度变换和颜色抖动。

3.根据权利要求1所述的基于多循环对比增强一致性的自监督跟踪损失优化方法，其特征在于，所述样本数据为：对视频序列按固定帧间隔提取的视频帧，所述训练样本对为：样本数据的总集。

4.根据权利要求1所述的基于多循环对比增强一致性的自监督跟踪损失优化方法，其特征在于，所述网络为孪生网络。

5.根据权利要求1所述的基于多循环对比增强一致性的自监督跟踪损失优化方法，其特征在于，所述总损失l总的计算公式如下：，

其中，α表示预定义权重参数。

6.根据权利要求5所述的基于多循环对比增强一致性的自监督跟踪损失优化方法，其特征在于，α的取值范围为0‑1。