视觉目标跟踪技术一直是图像与视觉信息计算研究的热点问题之一,在军事和民用领域均具有重要的理论研究意义和实际应用价值。由于科学技术的快速发展、视频采集设备性能的不断提升,目标跟踪技术也取得了长足的进步,但在复杂场景中保持较高的跟踪准确率仍是一项颇具挑战性的问题。复杂场景主要包括:目标形变、遮挡、快速运动、光照变化、相似物体干扰、背景杂波等问题。针对这些问题,本文围绕复杂场景下匹配寻优目标跟踪展开研究,以抗干扰匹配跟踪、稀疏优化跟踪以及基于深度模型跟踪方法为研究对象,通过无人机协同跟踪仿真平台进行验证。本文的主要贡献如下:（1）为克服相似物体干扰、光照变化、背景杂波等影响,提出一种前景约束下的抗干扰匹配目标跟踪方法。该方法联合超像素分割以及Mean Shift聚类方法建立鲁棒的判别外观模型。为了避免前景区域中相似物体的干扰,通过抗干扰匹配的决策判定算法提高匹配的准确率。同时,为了对目标的描述更加准确,构建一种在线模型更新方式,当目标发生严重遮挡时在特征集中加入适当特征补偿。（2）为避免目标形变、局部遮挡等影响,提出一种局部感知下的稀疏优化目标跟踪方法。在粒子滤波框架下,为了充分利用目标的局部特征信息,将圈定的目标区域进行非重叠均匀分割,并加入到目标模板集中。稀疏跟踪过程中,通过计算候选样本中的局部特征块与目标模板之间的相似性校验稀疏匹配过程。根据目标被遮挡情况,利用遮挡决策方法对遮挡进行检测,保证建立的目标模板集更加完善。（3）为解决目标快速运动、旋转、背景杂波等影响,提出基于定位-分类-匹配模型的目标跟踪方法。该方法将目标的颜色特征与卷积神经网络特征表示相结合,在定位模型中,利用双层卷积网络在搜索区域中计算目标特征得分,并以最大得分特征点为中心进行采样,输出当前帧的候选目标区域。在分类模型中,采用三层卷积网络对候选区域进行类间筛选,计算每个区域的分类得分,得到次优跟踪结果。在匹配模型中,利用常规颜色特征对次优候选区域进行类内寻优匹配确定最终的跟踪目标。同时,该方法对定位、分类中的网络进行更新,并对建立的匹配模型进行在线实时更新。（4）为解决复杂场景下无人机跟踪准确率低的问题,建立多无人机协同跟踪平台。面对跟踪过程中复杂场景的干扰,将本文提出的跟踪方法嵌入无人机中,根据不同无人机的目标识别率制定协同策略,保证跟踪精度。为了保证无人机处于最佳观测位置,建立以无人机运动势能为目标函数,协同策略为约束条件的优化模型。通过求解该优化模型对每个无人机的位置进行动态调整,保证协同跟踪的准确性。该论文有图57幅,表15个,参考文献160篇。