由于能够迅速指向和跟踪低空运动目标,光电平台通常应用于低空侦察和精确打击领域。随着远距离高精度打击技术的发展,对光电平台稳定和跟踪性能的要求越来越高。受到目标检测精度、传感器噪声、内外部干扰力矩以及脱靶量滞后等因素的影响,目前光电平台的稳定和跟踪精度还不能达到理想要求。为了实现光电平台的理想跟踪,本论文基于计算智能方法从提高目标检测速度和精度、滤除陀螺噪声、抑制内外部干扰力矩,以及改善跟踪控制方法四个方面进行深入研究。针对传统目标检测方法对红外小目标检测精度低的问题,提出了基于深度网络的目标检测方法。为提升原始GSO算法的多极值点定位能力,基于变异因子提出了GSOM算法。在卷积网络和SSD网络架构基础上,为减小原始SSD网络模型的计算量,提高网络模型的训练速度和检测精度,基于GSOM算法对SSD网络结构参数进行优化。同时详细阐述了目标检测硬件框架、软件流程、数据集获取、数据集扩充以及模型训练过程。实验结果表明,所提方法可以在保证检测精度的同时,有效提高光电平台对红外目标的检测速度,有利于整个系统后续对目标的稳定跟踪。为抑制MEMS陀螺噪声,提出了ARIMA+ELMAN混合模型滤波方法。利用ALLAN方差法分析了MEMS陀螺信号包含的各项噪声系数,并对陀螺信号进行提升小波分离和重构。为了削弱数据序列的随机性,对重构出来的低频噪声成分进行灰化处理,并基于Jarque-Bera方法对灰化后信号进行线性和非线性成分分离。分别建立了ARIMA模型和ELMAN网络模型对分离出来的线性和非线性成分进行逼近补偿。为提高模型逼近精度,采用差分进化算法对ARIMA模型和ELMAN模型参数进行优化。采集另一组数据进行滤波处理,测试所提方法的泛化性能。实验结果表明,基于混合模型的陀螺滤波方法可以较好地满足工程实际需要。为抑制内、外部干扰力矩对光电平台稳定精度的影响,提出了基于Lu Gre摩擦模型和干扰观测器的复合补偿方法。对GSO算法进行改进,提出了GSOMLDW算法,对Lu Gre摩擦模型动态参数进行辨识,并从理论上对GSOMLDW算法的全局收敛性进行了分析和证明。十个标准基函数的优化结果表明所提算法可以获得优异的全局求解精度。为抑制外部扰动力矩对光电平台稳定精度的影响,设计了干扰观测器,并对干扰观测器的鲁棒性进行分析。实验结果表明,所提出的基于摩擦力模型和干扰观测器的复合补偿方法可以有效消除内、外部干扰力矩的影响,提高系统抗干扰性能。针对目标脱靶量存在滞后的问题,提出了基于当前Singer模型进行目标运动预测的方法,同时针对光电平台系统受到未建模动态特性、参数摄动等因素的影响,传统跟踪控制方法跟踪性能有限的问题,提出了采用递归模糊神经网络逼近未知非线性成分,并采用滑模控制进行目标跟踪控制的方法。设计了递归模糊神经网络和滑模控制器,并对控制器稳定性进行了李亚普诺夫分析。实验结果表明本论文所提方法具有较好的动态性能,在车载平台上可以实现对低空目标的稳定跟踪。