在星跟踪器的光电跟踪系统中,星跟踪器针对单独的恒星目标进行识别、跟踪、位姿解算等实现定位,可以广泛应用于军事与民用的各个领域,在航天、航空、航海等场景都对跟踪精度有着很高的要求,而设备中图像传感器相对控制系统的滞后是影响跟踪精度的主要因素之一。随着计算机技术的不断发展、进步与成熟,在计算机视觉基础上的目标检测技术与目标跟踪技术得到了越来越多的关注与重视,同时,对这些技术的研究与应用也越来越广泛。本文的主要工作是从计算机视觉技术的角度,利用基于深度学习的目标检测与基于相关滤波的目标跟踪技术进行单星星点目标的鲁棒检测与稳定跟踪,结合利用自适应卡尔曼方法的预测滤波,对星跟踪器视场中的恒星单星点进行稳定跟踪。在此研究背景下,本文首先针对视场中的单星目标,通过基于深度学习的目标检测算法,确定星点在视场中的具体位置。为了解决单星目标在视场中像素占比较小并需要精确快速定位的问题,设计了新的卷积神经网络模型结构,通过改进的残差网络,保证在降低运算量、提升检测速度的同时,仍有较好的检测性能,利用多尺度特征的融合,保证了跟踪的鲁棒性。然后在基于相关滤波的目标跟踪基础上,加入了跟踪置信度联合判别机制与目标的重检测。在对目标进行跟踪的过程中,传统的基于相关滤波的跟踪算法会由于目标的各类干扰,如快速运动、形变、离开再进入视场等情况丢失被跟踪目标,这样会导致跟踪的不稳定,使跟踪精确度降低。因此通过跟踪器对目标的最大响应和APCE构建跟踪置信度联合判别机制,使跟踪置信度高的情形继续跟踪,否则联合上文检测器对目标重新定位,继续跟踪。经实验分析,提出的这一方法展现了良好的跟踪稳定性。最后,为了提高跟踪的精度,本文在控制系统的基础上提出了一种用于补偿脱靶量的自适应卡尔曼滤波方法。在实际的跟踪系统中,由于图像采集装置相对控制系统滞后,使的跟踪精确度降低,为了实现稳定精确的跟踪控制,建立运动目标的CSM模型,计算当前状态预测矩阵和预测误差方差矩阵;再根据强跟踪滤波方法,校正预测误差方差矩阵和机动频率,最后,使用校正后的参数更新预测的输出信息。经仿真与实验证明这种方法能显著降低跟踪误差。本文致力于星跟踪器中单星星点目标的鲁棒检测与稳定跟踪的方法研究,围绕基于计算机视觉领域与机动目标跟踪领域现有的技术难题,提出了相应的解决思路与技术方案,丰富了目标检测与跟踪的相关研究内容,将基于视觉的检测与跟踪技术与机动目标的跟踪控制技术进行了融合,并进行了相应的仿真与实验验证,实验证明有一定的理论价值与实践意义。