随着无人机技术的蓬勃发展,利用无人机航拍跟踪成为了计算机视觉的重点研究方向,并广泛地应用在农业、交通、商业等领域。然而,实际场景中存在大量的复杂情况,如遮挡、快速形变、视角变化、尺度变化等,严重影响跟踪的稳定性及精度。为了解决上述问题,本文研究了群智能算法与目标跟踪的内在联系,建立了一种基于群体智能算法的新型目标跟踪框架,并结合相关滤波跟踪算法实现了无人机长期目标跟踪的任务。主要工作内容如下:（1）针对现有基于群体智能的跟踪算法实时性差且易发生跟踪漂移的问题,提出了一种基于改进飞蛾扑火优化算法的目标跟踪框架。通过高斯初始化策略解决了跟踪过程中飞蛾扑火优化（Moth-Flame optimization,MFO）算法个体初始分布过于随机,耗费大量搜索算力的问题。同时,针对MFO更新方法的局限性,提出了趋光性和聚集性的两个概念,改善了飞蛾群体及个体的搜索效率,并作为搜索策略引入目标跟踪框架中。实验结果表明,提出的算法可有效防止漂移现象的发生,提升了跟踪效率。（2）在改进MFO框架的基础上,提出了一种自适应特征融合策略,充分利用颜色名特征、梯度直方图特征及灰度特征的优势,消除复杂环境中无人机跟踪受到的干扰。同时,提出了一种动态模板更新策略,解决在遮挡等情况下学习到无效的背景信息而导致特征模板退化的问题。实验结果表明,在复杂环境场景下,提出的策略能够大幅提升MFO跟踪器的精度和稳定性。（3）针对无人机长期跟踪过程中由于尺度变换导致目标丢失和跟踪精度低的问题,提出了一种基于飞蛾扑火优化的尺度比例感知空间跟踪器。首先,在判别尺度空间跟踪算法的基础上设计了一种比例感知滤波器,解决了拍摄角度变化时算法易跟踪定位目标的局部特征,并随着时间累积导致目标丢失的问题。同时,将相关滤波响应引入置信度指标中来检测跟踪的不可靠状态,具体分为环境干扰及目标丢失两种情况。检测到跟踪不可靠时引入MFO的跟踪框架,利用特征融合提升跟踪器的鲁棒性。实验结果表明,与目前跟踪领域中12种同类文献算法进行对比可知,提出的算法能够有效解决无人机长期跟踪下的尺度变化及目标丢失等问题,并满足实时性的需要。