随着遥感图像处理技术的发展,对空中“低小慢”目标的搜索与跟踪具有迫切的军民用需求和广泛的应用前景,已成为各个国家重点研究的问题之一。随着人工智能的广泛应用,针对普通遥感视频的目标跟踪技术已相对成熟。然而,由于“低小慢”目标所占像素较少、易受周围相似目标干扰、特征不易提取等问题的存在,目前主流方法还不能对该类目标提供有效的解决方案。本文针对相关难点,利用混合对抗网络、时空残差模块、显著性增强机制、上下文感知相关滤波模块等方法,构建了一套完整的“低小慢”目标搜索跟踪软件,对空中“低小慢”目标的相关搜索跟踪研究进行展开。本文主要可以凝练为以下几个方面:首先,本文提出一种基于混合对抗网络的空中“低小慢”目标样本增广方法,针对少样本的“低小慢”目标存在干扰的问题,本方法利用多级金字塔对其进行多尺度、多旋转角度的样本增广,通过一系列的形态学方法对所获得的样本切片进行处理,为后续网络的训练提供有效的数据支撑。此方法可基于先验信息,对稀有的空中“低小慢”干扰目标进行有效的辨识,并通过实验验证了所提出混合对抗网络的有效性。其次,本文针对网络层的结构,构建了一种有效的显著性增强机制。针对“低小慢”目标具有搜索难度大的问题,本方法通过设计时空残差模块和空间注意力、通道注意力轻量级子模块,并优化其在卷积层之间的排列方式,从而有效的提升了网络的训练和跟踪效果。再次,针对复杂大视场图像中常出现的遮挡情况,本文利用上下文感知相关滤波和可靠性学习模块减少出现跟踪失败的几率。通过对目标自身和背景信息的分析,本方法将两个模块嵌入到网络的“干扰阶段”之中,并针对“低小慢”目标的特点进行优化,以此提升跟踪效果。之后,对于“低小慢”目标通常占据较少像素点的问题,本方法利用一种有效的筛选机制,对训练价值不大的负样本进行剔除,从而有效的提升网络的搜索和跟踪效率。最后,在上述多种特征学习机制的基础上,本文设计了一套完整的“低小慢”目标搜索跟踪软件,实现了在复杂大视场环境中,对该类目标的精准、快速辨识。本文在自制“低小慢”数据集的支持下,进行了定性和定量的分析,采用了多层次、多角度的验证手段,对本文所提出方法的有效性进行了验证。