随着无人机技术的发展,在各地出现的“黑飞”现象也屡禁不止,针对无人机的管控技术有着广阔的应用前景,在多种管控技术之中,视觉跟踪技术起到关键的作用。本文针对相关滤波的视觉跟踪进行了研究,提出一种多特征自适应融合的背景检测跟踪算法和一种基于YOLO（You Only Look Once,只需看见一次）的无人机小目标跟踪算法,开发了无人机视觉跟踪平台。本文的主要研究工作如下:1.提出一种多特征自适应融合的背景检测跟踪算法。首先,针对单一特征无法充分表达目标特征的问题,提出一种颜色特征、HOG特征和边缘检测特征自适应融合的方式;其次,针对传统方法中对背景进行滤除的问题,引入背景检测框架,将目标周围的背景信息加入滤波;最后,提出一种改进的ADMM（Alternating Direction Method of Multipliers,交替方向乘子法）优化算法参与运算。所提算法增强了对动态环境下目标的特征表达,提升了对于背景变化以及遮挡的鲁棒性,降低了优化迭代次数。在OTB2013数据集上仿真验证,相比Siam FC算法,本章提出算法精度提高了4.1%,成功率提高了3.9%。2.提出一种基于YOLO的无人机小目标跟踪算法。首先,针对目标先验问题,本章算法通过K-means聚类分析方法更新初始预测框,输出更鲁棒的预测结果;其次,针对小目标样本数少的问题,采用一种小目标样本增强策略,增加训练样本的数量和质量,提升了小目标可匹配的锚点数;再次,针对样本区分不平衡的问题,结合了EIOU＿Loss（Efficient IOU Loss,高效IOU损失）损失函数和聚焦函数,从而平衡样本分类,降低低质量样本造成的损失值震荡;最后,针对重叠目标依赖阈值设置的问题,采用改进的加权NMS（Non-Maximum Suppression,非极大值抑制）方法,优化置信度加权,提升重叠目标的检测精度。利用无人机数据集进行测试,与YOLO模型进行对比分析,本章提出的方法针对无人机小目标的平均检测精度提升了23%。3.基于上文对于视觉跟踪算法的研究,开发了无人机小目标视觉跟踪平台。平台分为模型训练、视频传输与处理和云台控制三大模块,可以实现对出现在覆盖区域的无人机自动跟踪的功能。模型训练模块中,通过采集并标注的4300余张图片搭建训练与跟踪数据集,训练跟踪模型;在传输和处理模块中,主体为本文提出的小目标跟踪算法,同时设计双线程和互斥线程锁同时进行采集与分析,并设计链队列缓冲区减小因线程等待造成的资源溢出和速度浪费;云台控制模块中,通过改进的PID算法控制云台舵机转动。在多种实际应用场景中测试分析,证明了平台的跟踪性能和可靠性。