基于深度学习的智能化引领创新,驱动着各行业的迅猛发展,面向高度智能化的现代战争已成为当今维护国家安全、保障人民生命财产安全的有效手段,而自主感知、自主判断地准确跟踪并精确打击目标对于庞杂的战场环境具有重要意义;准确预判目标的轨迹、捕获其关键信息等对于切实维护公共安全具有广泛的应用前景。本论文在掌握了深度学习、相关性滤波和稀疏表示等理论的基础上,系统地研究了基于深度学习的目标跟踪与图像超分辨率重建的各个环节,重点围绕目标在复杂环境下存在目标特征表达不准确、鲁棒性差等问题,并以此为契机,探析图像降质后高频细节复原的难题,提出了有效的目标跟踪及图像超分辨率重建方法,主要研究内容及贡献归纳如下:1.粒子滤波嵌入相关滤波框架中的鲁棒跟踪器。针对基于相关滤波方法的目标不旋转假设的不合理性,导致目标跟踪在较大形变、旋转等干扰因素下鲁棒性差的问题,探究了粒子滤波跟踪原理,依据该理论并结合仿射变换进行粒子采样,利用模板与候选相似性比对获取最佳旋转因子,解决了目标旋转导致的鲁棒性低的难题,此外,联合自适应更新策略提高了跟踪的准确性,进而提出了粒子滤波嵌入相关滤波跟踪框架中的目标跟踪方法。实验结果验证了该方法的有效性。2.联合稀疏鲁棒样本与多特征融合残差学习的目标跟踪。针对目标因快速运动、光照和严重遮挡等引发的训练样本集质量差和特征表达准确性低的问题,充分利用基于稀疏表示理论的模板稀疏表达候选的特点,并结合遮挡判别和峰值检测以减少跟踪器对于背景等负样本的学习,另外,依赖于残差学习的多特征融合策略增强了目标对于复杂场景的适应能力,提出了构建稀疏鲁棒样本和多特征融合的目标跟踪方法。实验结果验证了该方法的有效性。3.堆叠GAN网络的逐步图像超分辨率。针对高频细节丢失严重的低分图像难以复原为高质量的高分图像,以及视觉感知差等问题,深入分析了单一网络的监督学习在高倍数图像超分辨重建过程中的学习能力,并挖掘了₂L损失平滑图像的本质,充分利用生成对抗博弈思想,提出了堆叠GAN网络逐步超分辨率算法,GAN1主要依据边缘和可见细节进行初步复原,然后利用GAN2矫正该复原图像的失真,同时进一步补充细节,另外Log-Cosh损失改善了₁L和L₂损失的不足,使得重建后的高分辨率图像无失真并有较好的视觉感知。实验结果验证了该方法的有效性。