随着人工智能与无人机的高速发展和广泛地应用,对于无人机对地目标的跟踪也逐渐掀起学者们的研究热潮。而在实际应用中,使用无人机对肇事车辆进行目标跟踪,可以帮助交通管理部门准确和迅速处理交通事故,同时还可以节省大量的人力与物力资源。使用无人机对军事目标进行跟踪,不仅可以帮助军事部门对目标进行精确打击,还可以减少军事人员的伤亡。使用无人机对野生动物进行跟踪,可以帮助动物研究者掌握动物的栖息路线,同时可以节省研究者大量的时间。无人机对地目标的跟踪在其他领域也被广泛地应用,同时也具有丰富的学术研究价值。就目前而言,研究人员对无人机目标跟踪的研究越来越多,但是他们所提出的算法大多数解决的是非遮挡情况下或在视野之内的无人机对地目标的跟踪问题。因此,跟踪目标因被长时间遮挡或脱离无人机视野而导致跟踪算法丢失跟踪目标的问题依然是无人机对地目标跟踪过程中会遇到的最大挑战之一。而现有解决目标遮挡的算法大多数在部分遮挡或无人机视野之内情况下具有较好的鲁棒性和健壮性,而在较长时间的完全遮挡或脱离无人机视野的情况下往往会导致丢失跟踪目标。因此,提出一种能解决跟踪目标丢失问题的无人机对地目标的跟踪算法是很有意义的。为了跟踪目标丢失问题的问题,本文提出了一种面向无人机对地目标的再跟踪（Re-tracking for UAVs to ground targets,RUGT）算法。由于该算法使用了自适应调整机制融合了目标位置预测算法以及使用了基于PCA-Sift的动态分块的目标检测机制获取丢失的跟踪目标从而使得算法再次对目标进行跟踪。因此,将该算法命为RUGT目标跟踪算法。RUGT目标跟踪算法的具体流程,如下所示:首先,本文通过减少Meanshift的迭代次数,从而提高了Meanshift的跟踪速度,进而解决无人机对地目标跟踪的实时性问题。其次,为了提高无人机对地目标跟踪的成功率,本文在优化后的Meanshift算法的基础上,使用了自适应调整机制融合了Kalman滤波和基于在线训练的动态修正反向传播（Back Propagation,BP）神经网络的目标位置预测算法,从而对下一帧的无人机目标的位置进行了预测,进而提高无人机对地目标跟踪的成功率。最后,为了解决无人机对地跟踪的目标丢失的问题,本文使用了目标丢失检测机制检测跟踪的目标是否丢失。若跟踪的目标丢失,则启动基于PCA-Sift的分块目标检测机制进行检测,从而重新获取丢失的跟踪目标,进而使得算法对目标再次进行跟踪。本文从算法的目标跟踪效果、跟踪目标与预测目标之间的巴氏（Bhattacharyya）系数、成功率图（Success plot）和精度图（Precision plot）、目标跟踪成功率以及跟踪速度等六个方面,对RUGT目标跟踪算法与其他四种传统的跟踪算法进行了对比实验。其中,RUGT目标跟踪的目标跟踪成功率比其他四种算法至少高出6.6%。实验结果证明,RUGT目标跟踪算法具有更好的鲁棒性和稳定性。