近年来,随着计算机视觉技术的蓬勃发展,自动驾驶、机器人和无人机等领域取得了令人瞩目的进步。无人机依靠其结构简单、成本低廉、机动性强和可垂直起降等特点广泛应用于生态保护、资源勘探、海洋环境监测、农业作业、城市规划等领域。未来,无人机在人们日常生活和工业生产中必将扮演更加重要的角色,因此基于视觉的无人机目标检测跟踪与自主降落技术具有十分重要的研究价值。本文涉及到的关键技术主要包括目标检测、目标跟踪和飞行控制。通过对比当前基于深度学习的目标检测算法的两个分支,基于候选区域的检测算法和基于回归的检测算法,分析各自优缺点。考虑到需要在嵌入式平台上实现实时检测,经过综合对比最终选用YOLOv3-tiny网络完成检测任务。接着详细介绍了基于相关滤波的目标跟踪算法,这类跟踪算法采用循环移位密集采样并将计算转换到频域以提升运行速度。本文主要介绍了Kernelized Correlation Filters(KCF)算法及其在尺度自适应和特征方面的改进算法。随后在Fast Discriminative Scale Space Tracker(fDSST)基础上提出了两点改进,增加了颜色特征和使用自适应学习速率更新滤波器,并在开源数据集上通过实验验证了改进的有效性。最后根据无人机平台特点推导出坐标转换公式和单目测距计算方式。使用前面提到的目标检测和目标跟踪算法再配合飞行控制算法得以实现无人机的目标检测跟踪及自主降落。为了应对较为复杂的情况,无人机处于跟踪状态时通过串级PID控制速度,处于降落状态时使用单级PID控制。本文以大疆M100无人机搭载嵌入式设备Jetson TX2并配合广角无畸变的See3CAM_CU55摄像头为平台对本方案进行验证。实验结果表明,本文设计的目标检测、跟踪及降落方案稳定可靠,成功实现了无人机对已知目标的检测跟踪以及自主降落功能。