微弱目标跟踪在雷达检测、机器视觉、医学等领域发挥着重要作用。但在实际应用中,由于背景杂波干扰、信噪比低、遮挡变形等因素影响,微弱目标易被周围环境中强烈的噪声干扰,此时,应对单一场景或场景过于简单的算法均难以适用。当下,基于多应用场景的目标跟踪问题成为研究重点,其场景主要分为三类:存在云干扰的天空模型、存在海面干扰的海天模型、存在地物干扰的陆空模型。为解决复杂场景对微弱目标跟踪造成干扰的问题,提高跟踪精度和准确性,本文对基于深度学习的微弱目标跟踪算法展开研究,具体研究内容包括:1)在图像预处理过程中,提出一种融合背景估计的最大方差阈值分割算法,通过实验结果证明,改进的算法能更好的获取候选区域的特征信息;改进一种引导图像滤波算法,通过实验对比表明,改进后的算法可以明显突出图像中微弱目标的信息,提高检测准确度。2)设计了云干扰抑制子系统。针对天空模型中微弱目标特征信息少,训练样本提取效率低等问题,改进引导图像滤波器对目标图像进行滤波处理,使不准确的背景模板模糊并有效增强目标图像,通过改进后的去噪自编码器克服训练样本的不足。通过与多种主流算法的对比实验表明,系统能有效抑制云内灰度起伏、强灰度噪声和边缘云遮挡等干扰因素,更适应跟踪过程中目标的外观变化。3)设计了海面干扰抑制子系统。针对海天交界线对微弱目标的干扰,将融合背景估计的最大方差阈值分割算法提取到的特征作为深度自编码器的输入进行训练。通过实验验证,该算法可以抑制细长干扰目标的影响,与一、二阶微分边缘算子进行对比实验,该系统提取目标候选区域的准确率更高。4)设计了地物干扰抑制子系统。针对近场景复杂目标的干扰,通过卷积自编码器获取RGB-深度图像特征作为高层特征值,再根据微弱目标图像特点,选取12维低层特征向量,在网络训练过程中加入跳层结构,进行多尺度深度特征的融合。实验结果表明,RGB-深度图像特征能有效排除近景复杂目标的干扰。5)将三种算法综合成高性能的目标跟踪算法。Soft Max分类器根据模型类别响应对应的子系统,有效避免不同环境对微弱目标跟踪造成的影响。将训练得到的深度学习网络和分类器应用到粒子滤波框架中,形成一套基于深度学习的微弱目标检测系统。为验证系统可行性,实验过程中采用重叠率图、精确度图、成功率曲线、时间和空间鲁棒性评估等多种方法对本文算法进行了定量分析,实验结果表明,综合后的算法在微弱目标跟踪过程中具有较好的跟踪准确度。