目标跟踪目前在无人驾驶、视频监控、人机交互等领域应用十分广泛。由于目标检测领域已经相对成熟,国内外专家学者把更多注意力放在了目标跟踪领域,在这个领域里,目标跟踪首先确定目标的位置和大小,然后在一系列帧中正确定位目标位置。随着无人驾驶技术的进一步落地,未来目标跟踪依然会是一个非常受欢迎的研究方向,无人机目标跟踪更是具有极大的应用前景。然而无人机目标跟踪时会有遮挡,目标小,光照变化,尺度变化,无人机平台资源受限等挑战,本文将针对无人机应用场景,对无人机目标跟踪中的平台资源受限和目标小两个挑战进行了一系列的改进研究。过去基于相关滤波器的方法在目标跟踪基准测试上表现优异,但是这些方法大多只使用人工特征来表示跟踪目标,使得对目标的表征能力有限,在遮挡和背景杂斑等因素干扰下往往都不能得到令人满意的性能。近几年来,基于孪生网络的目标跟踪算法开始出现在大众视野。其中最具代表性的就是基于全卷积孪生网络跟踪算法(SiamFC)。之后发展了一系列的孪生网络跟踪算法,SiamRPN++将更深的基准网络ResNet引入到目标跟踪中,是目前综合性能较强的跟踪算法。但是随着网络加深,计算消耗也越大,无法满足无人机平台上的使用;同时由于无人机场景下目标较小,需要更高效的利用不同层的特征,因此本文中,在SiamRPN++框架的基础上对无人机场景下存在的问题,通过两种方法进行了优化:(1)把特征提取网络ResNet使用几何中值法进行压缩,使得在模型在无人机场景下运行,同时把跟踪精度控制在可接受范围内;(2)基于深度特征融合加权的孪生网络目标跟踪研究,针对SiamRPN++在多层特征融合上的不足,介绍改进的深度特征融合加权方法,使用卷积神经网络训练权重,使算法对分类和回归结果更精确。最后为了验证算法的有效性,使用改进的孪生跟踪算法在数据集上进行实验。结果表明,本文改进算法性能与其他原始算法相比,在不降低跟踪速率的前提下模型更小,鲁棒性更好,精度可接受。该论文有图20幅,表6个,参考文献78篇。