目标跟随技术,即云台配备成像设备,跟随视野中指定目标的运动轨迹调整云台方位,保持目标始终位于视野中心。主要研究内容包含目标检测算法与云台运动控制算法。伴随深度学习技术的发展,通过视觉传感手段进行目标检测与辨识的研究成果层出不穷,但通常结构复杂、计算量较大,不满足实际应用的需求。而云台运动控制算法多以经典控制理论为基础展开研究,在面对高复杂度的目标运动轨迹时,同一参数的控制算法无法保持对任意复杂运动轨迹实现良好跟随,即泛化性差。针对上述问题提出了一种基于轻量化目标检测算法与学习人类控制器的目标跟随方法。以YOLOv5s目标检测算法为基础,在减小算法深度、重构算法结构、剪枝算法冗余三个方面进行设计,即:将算法深度系数由原来的0.5设计为0.4。使用深度可分离卷积结合Ghost Net对YOLOv5s目标检测算法的结构进行重新设计,对经过重构的检测算法进行稀疏化训练和通道剪枝,从而实现目标检测算法的轻量化。经实验分析,本研究方案设计的轻量型检测算法较YOLOv5s,在相同CPU上的推理速度提升了一倍,模型大小压缩至原来的十分之一,浮点数计算量由原来每秒165亿次压缩至12亿次。而所提算法的检测精度评估指标——平均精度均值（mean Average Precision,m AP）与YOLOv5s并无较大差别（仅下降1.82%）。将学习人类控制器应用于云台运动控制,实现了同一参数的控制算法保持对任意复杂运动轨迹的良好跟随,且结构简单,计算效率高。对目标跟随问题进行分析后,采用极限学习机（Extreme Learning Machine,ELM）作为学习人类控制器的内核机器学习算法,完成了控制算法的设计。使用李雅普诺夫稳定性定理,分析出保证控制算法稳定运行的约束条件,用以约束学习人类控制器的相关参数。使用MATLAB仿真,获得ELM的训练数据并进行训练。自行设计二轴云台,结合设计的轻量型检测算法采集实际运动轨迹,与模拟运动轨迹一起使用对所提控制算法进行实验,并与滑模控制器、PID控制器进行对比。经过实验分析,所提学习人类控制器在泛化性上具有独特优势,保持参数不变的条件下,面对不同运动轨迹的跟随性能优于另外两种控制器。