近年来,为无人机提供计算机视觉功能逐渐成为一个热门方向。无人机视觉目标跟踪在高空监控、搜救和极限运动的拍摄等方面应用十分广泛。无人机目标跟踪的优势在于其可以通过视觉算法的反馈对自身位置姿态等参数进行调整,实现软硬件结合,对目标进行更好的跟踪。因此适用于无人机场景下的目标跟踪技术十分具有研究意义。无人机场景下的单目标跟踪与一般场景下的单目标跟踪的主要区别为,在空中拍摄的环境下无人机跟踪时间普遍较长,而且拍摄高度较高,拍摄角度容易发生变化以及相机可能发生快速运动等难点更为突出。因此,针对这些问题,本文主要提出了一种适用于目标跟踪的通用有效的相机运动补偿算法,并设计了一个新的适用于无人机场景的单目标跟踪算法框架。本文提出的相机运动补偿算法旨在解决无人机跟踪过程中相机发生快速运动的问题。当无人机相机发生快速运动时,目标在当前图像中的位置可能跳出由跟踪算法划分的局部搜索区域,从而导致跟踪失败。因此,本文提出的相机运动补偿算法结合视频序列自适应阈值来判断相机是否发生快速运动,如果发生快速运动,利用两幅图像间匹配到的特征点对计算单应性矩阵,对边界框坐标进行变换来实现运动补偿。实验结果表明,该算法在无人机数据集UAV123对跟踪算法实现较大提升,在一般场景数据集OTB100对原有算法的性能基本无影响,证明了算法的有效性与通用性。针对无人机场景下的目标跟踪具有长时跟踪、角度多变和高空拍摄等问题,本文提出了一种新的基于分类和匹配融合的单目标跟踪算法框架。该框架主要包含两个子跟踪器,判别器,重检测模块以及Refine模块等部分。判别器主要对基于匹配的离线子跟踪器Siam RPN++算法与在线更新且对目标判别力强的Di MP算法进行融合,自动根据当前状态选择最佳结果,并自动利用正确结果对跟踪错误的子跟踪器进行更新,同时可以判断当前画面中目标是否消失。重检测模块主要采用扩大搜索区域的Siam RPN++进行目标重找回。Refine模块主要使跟踪器输出的边界框更加精细。消融实验表明,本文提出的算法框架中的各个模块对最终结果均有较大的作用。其中增加判别器模块与重检测模块,算法性能分别具有11.3%与3.1%的较大提升。本文提出的算法在无人机数据集UAV123与Vis Drone2019挑战测试集上都有较为优异的表现。