本文致力于在视频中追踪目标物体。与传统方法在视频首帧通过边界框指定目标不同，我们提出基于自然语言描述来追踪目标，这种方法不仅实现了更自然的人机交互，也为提升追踪效果提供了新途径。我们定义了三种基于语言描述的追踪模式：仅依赖语言形式的目标描述、基于语言引导的视觉目标描述，以及融合语言与视觉信息的联合描述模式。为验证自然语言描述在追踪任务中的潜力，我们对两个主流的追踪数据集进行了扩展，增加了语言描述信息，并开展了相关实验。最后，我们还展望了在监控及其他实时视频流场景中，借助语言描述指定目标所可能开启的新应用前景。