近些年来,深度学习发展迅速,研究者开始利用卷积神经网络来进行目标跟踪。另外,随着无人机技术的飞速发展,现有的无人机产品具有操作简便和成本较低等优点,采用无人机进行视频目标跟踪已成为新的研究热点。比如在公共安全监控领域,与固定摄像头监控相比,无人机运动灵活,可以获得更加丰富的目标信息,从而更容易持续地锁定跟踪目标。然而,由于无人机飞行的姿态、飞行速度以及飞行高度的快速变化,在信息采集过程中会出现相机与跟踪目标相对运动、背景信息干扰目标、跟踪目标较小等难题。因此,将目标跟踪技术应用于无人机拍摄的视频时面临很大的难度和挑战。为了构建跟踪精度和成功率更高的无人机视频目标跟踪算法,本文提出了基于多域对抗学习的无人机视频目标跟踪算法和基于多域注意力正则化的无人机视频目标跟踪算法。本文的主要工作如下:针对无人机视频目标跟踪中正样本不足和单帧强判别特征易导致分类器过拟合的问题,提出了一种基于多域对抗学习的无人机视频目标跟踪算法。将生成对抗网络引入到多域学习的特征生成中,利用对抗学习来提高特征提取的鲁棒性;在卷积层中加入具有不同扩展系数的空洞卷积进行多尺度特征抽取,构建具有不同感受野的特征提取模块;在交叉熵损失函数中添加调制因子来解决正负样本数量不平衡的问题。实验结果表明,该算法的跟踪精度、成功率都得到提高。针对无人机视频目标跟踪中跟踪算法难以适应目标的显著运动和时间维度上鲁棒性较差的问题,提出了一种基于多域注意力正则化的无人机视频目标跟踪算法。使用网络输出关于输入图像的偏导数作为注意力图,将注意力图作为正则项,结合原始损失函数对网络进行训练。实验结果表明,引入注意力正则化的跟踪网络能够适应目标的快速运动,跟踪效果表现优良。