近年来,随着无人机技术的发展,无人机被广泛应用到军事,工业和民用等领域,无人机航拍目标识别与跟踪也成为研究热点。由于航拍图像中场景复杂、目标尺度不一,还存在光照变化、遮挡干扰和相机抖动等问题,航拍图像中目标识别和跟踪变得更加困难。针对这些问题,本文对无人机航拍图像目标识别与跟踪进行了研究,主要完成了以下工作。首先,对YOLOv4检测模型进行改进,提出了一种基于多尺度特征融合的航拍图像实时检测模型,通过以CSP-Dark Net作为主干网络,构建全局与局部信息融合的特征金字塔结构,并在YOLOv4三个检测层的基础上,添加一个针对小目标检测的检测层,构建四层多尺度检测层,并在Vis Drone2020 DET数据集上进行训练和测试。改进后的模型相比于原始YOLOv4在航拍图像目标检测任务中各项性能指标均有所提升,其中行人和轿车召回率均提高9.6%,整体召回率提高5.5%,m AP提升5.2%,同时检测速度几乎不下降,有效验证了本文提出的检测算法对航拍场景中行人和车辆具有良好的检测性能。然后,为了实现航拍图像中目标跟踪,采用基于运动预测与检测数据关联的多目标跟踪算法。通过卡尔曼滤波进行目标运动状态预测,计算检测结果和预测结果之间的IOU,作为空间相似度度量构建损失矩阵,再利用匈牙利算法实现检测结果和跟踪预测的关联匹配,同时引入目标跟踪器管理模块来管理跟踪目标的生命周期。实验结果表明该算法可以对目标进行有效地跟踪,但在目标身份误变换（IDsw）问题上仍需改进。最后,为了降低目标身份误变换（IDsw）次数,本文在基于运动预测与检测数据关联的多目标跟踪的基础上,构建目标表观特征提取网络,在多目标跟踪过程中引入目标表观特征,提出了基于空间信息与表观信息融合的多层关联匹配机制。实验结果表明融入表观信息的多目标跟踪增加了检测和跟踪轨迹之间关联的线索,有效地减少了IDsw,目标跟踪更加稳定。