随着互联网和人工智能技术的不断发展,信息化、智能化成为当今世界的主题。在计算机视觉领域,由于深度学习的崛起使得目标检测和跟踪技术准确率大大提升,进一步扩展了其应用场景。而无人机作为灵活高效的空中无人平台,极适用于城市安全监控。基于此,从无人机视角进行目标检测和跟踪具有深刻的社会意义,同时也是本课题的重要立足点。本文以无人机视觉系统为研究对象,并以人为主要目标对检测算法、跟踪算法及双目测距算法进行研究,研究内容如下:（1）本文提出了基于Mobile Net的多目标跟踪算法。借助于Mobile Net深度可分离卷积能够对深度网络模型进行压缩的原理,将YOLOv3的主干网络替换为Mobile Net,通过将标准卷积分解为深度卷积和逐点卷积,并保留多尺度预测部分,以有效减少参数量。对于检测得到的边框信息,利用Deep-SORT算法进行跟踪。通过仿真及无人机实验平台验证,表明该方法在跟踪效果基本不变的情况下,可提升处理速度近50%。（2）本文针对遮挡问题,在核化相关滤波器（Kernel Correlation Filter,KCF）的基础上提出KCF和深度学习检测相结合的改进算法。首先,使用峰值旁瓣比和响应峰值判断是否出现遮挡,若遮挡严重,则启动深度学习重检测机制;否则,使用KCF进行跟踪。其中,检测算法基于YOLOv3,在替换主干网络为Mobile Net的同时,使用深度可分离卷积并引入空间金字塔池化,提高检测算法准确率。使用OTB2015数据集对跟踪算法进行评测,结果表明本文提出的算法在跟踪成功率和准确率上相比KCF算法分别提高了9.5%和3.3%。同时,通过仿真及无人机实验平台验证,表明该改进算法在保证快速性的前提下,提高了算法抗遮挡能力。（3）本文为使检测算法达到实时性要求,利用Tensor RT对模型进行推理加速,并基于检测算法的结果,采用半全局块匹配（Semi-global block matching,SGBM）算法得到视差图,根据双目立体视觉原理实现双目测距。为减小背景影响,将检测得到的边框向内缩减三分之一,通过室内外测距实验结果显示,本文所使用的测距方法基本满足实验需求,在8米内测距误差在6%左右。将Tensor RT用于Jetson TX2平台,检测算法实时性可达21fps,达到了实验所需的实时性。