目标检测与跟踪是计算机视觉方向的重要研究领域,而无人机地面目标自动检测与跟踪在侦查、预警等领域均具有重要作用及战略需求。在这些应用场景中,地面目标在视场中一般尺寸较小,现有的检测算法对于小目标而言仍然比较乏力。无人机在进行目标跟踪的初始阶段,目标由于距离较远,在视场中尺寸过小(目标像素尺寸小于10×10),仅有边缘信息和少量甚至缺失的纹理信息,给目标检测与跟踪带来极大挑战。此外,小型固定翼无人机地面目标检测与跟踪还面临着背景环境复杂、视场变化剧烈、干扰物多等诸多难题。本论文主要研究小型固定翼无人机对车辆小目标的自动检测与跟踪方法。本文首先介绍了目前国内外的无人机目标检测与跟踪系统的研究和发展现状,跟紧趋势找出不足;同时算法层面上,分析了国内外目标检测、跟踪算法的发展趋势,找寻算法的难点和待突破的地方,从而为本篇论文的研究内容奠定方向。论文提出了一种基于目标特性的微小目标检测方法,通过一种融合了梯度响应的显著性检测来提取候选目标,同时引入局部敏感直方图特征,有效解决室外环境光照条件复杂变化的难题。将视场中相应像素位置的候选目标尺寸与固定翼无人机的位姿信息耦合起来,可以有效排除伪目标。对HOG特征进行傅里叶分析,生成具有旋转不变特性的FHOG特征,联合FHOG与LBP这两种旋转不变特征,充分利用小目标宝贵的边缘特征和极少量的纹理特征,将目标的检测问题转换为对候选目标的分类确认问题,同时大大减小了逐像素遍历搜索带来的巨大运算量,实现算法的实时性。训练时加入难样本挖掘重训练,将目标检测的精度提升10.23%。本文研究比较了最新的卷积神经网络在小目标检测中的应用,并分析其不足和原因,在负样本选取和难样本重训练上进行了优化和改进,有效解决了复杂背景下各种干扰物对小目标检测的影响,优化后的Faster R-CNN较原有默认参数在VEDAI数据库小目标的检测精度上高出40%多。另外提出一种基于目标特性的神经网络检测方法,对VEDAI航拍车辆数据库精度达85.34%。在检测到目标后,采用基于KCF的时空上下文目标跟踪方法实现对小目标的实时跟踪,固定翼无人机采用嵌入式ARM平台,基于嵌入式linux进行算法移植,实现对地面车辆目标的实时自动检测和跟踪。通过固定翼无人机在复杂背景环境下航拍模飞进行目标检测和跟踪试验,并且在公开数据集上比较验证算法。论文在多种场景下进行固定翼无人机模飞,尽可能多地模拟各种环境,验证算法的鲁棒性,同时在公开数据集上与目前state-of-the-art算法横向比较。通过试验分析验证了基于目标特性的微小目标检测算法、基于FHOG+LBP联合旋转不变特征的目标检测算法以及适用于小目标检测的神经网络方法,以及基于KCF的时空上下文目标跟踪方法,最后实现了相关算法的嵌入式平台移植。