迅速发展的无人机技术和快速提升的计算处理能力,为无人机目标跟踪技术提供了广阔的应用前景。无人机目标跟踪技术的真实应用场景中,跟踪目标很容易出现被障碍物遮挡而导致跟踪失败,因此,研究能抗遮挡、实时性强且准确性好的目标跟踪算法对无人机目标跟踪应用具有重要意义。本文先对无人机目标跟踪算法及基于图像的视觉控制器等相关技术进行了详细研究分析。经典的核相关滤波跟踪算法(Kernel Correlation Filter,KCF)具有跟踪速度快、可实时对目标进行跟踪的优点,但在目标出现遮挡的情况下表现不佳;而现有在KCF算法基础上引入深度学习的改进算法,虽然提高了遮挡状况下的目标跟踪效果,但因复杂度较高而影响了实时性。对此,本文拟在KCF算法基础上对抗遮挡性能进行改进,在保证跟踪实时性的前提下提升抗遮挡性能。在KCF算法使用的方向梯度直方图特征基础上,本文运用多特征融合机制,引入颜色空间特征来共同描述目标,以提升对目标描述的准确性。其次,在KCF算法基础上引入跟踪置信度,以判定目标被遮挡的严重程度,并以此作为对被遮挡目标进行位置预测的参考依据。当目标被严重遮挡时,采用位置预测值作为目标跟踪的结果。本文选用OTB2015数据集对改进算法和经典算法进行了对比实验,结果表明,改进算法提升了跟踪精度和抗遮挡性能,并由于采用了位置预测,提升的目标实时跟踪的可靠性。在本文后半部分,根据研发项目课题要求,基于大疆M100无人机平台,开发设计并实现了移动目标跟踪的无人机目标跟踪系统,在地面控制端运用了本文提出的抗遮挡改进算法。为了实现地面端对无人机飞行的有效控制,对基本飞行控制指令进行了封装,并专门设计了自定义通信协议用于控制指令的传送。室外飞行控制测试的结果表明,本文实现的无人机目标跟踪系统能有效实现对一般移动目标以及不同遮挡程度的移动目标的实时、有效跟踪,达到课题研究的目标。