无人机目标跟踪对计算机视觉领域的技术有急切的需求,其中目标跟踪是其基础的研究问题,目标跟踪主要是通过第一帧的目标样本,对目标进行跟踪并记录目标的运动轨迹。相比于传统目标跟踪,无人机目标跟踪有其更特殊的场景以及对算法更高的要求。经过近二十多年的研究,现有的目标跟踪算法在难度较小的视频中可以准确的跟踪目标,但是对于出现遮挡、形变、旋转等场景的时候,其精确度和鲁棒性还有待提高。本文通过对目标跟踪问题的研究和分析,以及针对现有算法的不足,提出了三种解决方法。本文主要开展的工作如下:（1）提出了一种组合特征,实现多种特征特性互补,提高了出现形变、光照变化等场景下目标特征的表达。本文使用vgg-19模型提取的卷积特征作为深层特征,使用颜色直方图特征作为浅层特征,分别学习两种特征的相关滤波响应,将两种特征合理融合构成组合特征,为此,本文设计了动态权重策略,将深、浅层特征响应值按照大小排序筛选后的状态,分别计算其损失,然后选择具有最低总体损失的状态来对深、浅层特征的融合参数进行计算。（2）提出一种基于平均峰值相关能量响应的可靠性判断机制,解决了出现遮挡、旋转以及形变等场景时,传统算法易将杂波引入跟踪模型,导致误差累积最终跟踪失败的问题。本文采用平均峰值相关能量来计算跟踪结果的可靠性,平均峰值相关能量响应可以反映出跟踪结果的置信度,从而动态的反应跟踪结果的可靠程度,只将跟踪结果的平均峰值相关能量响应高于阈值的跟踪结果用于更新模型,有效避免了误差的引入。（3）提出了一种分层更新策略,根据无人机目标跟踪场景的特点,引入目标周围的上下文信息以提高模型对背景的识别能力。对此本文设计了一种新的跟踪模型更新策略,提取目标的三层卷积特征和颜色直方图特征,以及目标上下文背景信息的深度特征,并将该目标以及上下文背景信息的深度特征相加训练得到目标深层特征的目标模型,通过训练目标的颜色直方图特征得到目标的浅层特征目标模型,当平均峰值相关能量响应大于阈值时,分别对目标的深、浅层模型进行更新。相比于传统基于全局特征的方法,本方法可以处理更加复杂的目标运动。