随着无人机软件技术的迅速发展与广泛普及，无人机在军事行业和民用行业都得到了广泛的应用，然而无人机技术在给人民生活和社会生产带来快捷与方便的同时，也给国家安防和社会治安造成了巨大的困扰与潜在的威胁。传统的监视无人机技术在成本、监测范围和精度方面都有很大的限制，而基于计算机视觉的目标跟踪技术能够克服这些缺点对无人机进行有效的监视。目前国内外还没有成熟的视觉跟踪无人机技术，因此本文在深入分析基于计算机视觉的目标跟踪技术的基础上，针对像无人机这一类运动目标跟踪的热点及难点问题，开展了以下几项研究工作：
　　（1）针对像无人机这一类跟踪目标的外观变化问题和定位漂移问题，本文提出了一种新的基于并行相关滤波器的目标跟踪算法。目前大多数视觉目标跟踪技术对目标物体的显著外观变化不具有鲁棒性，尤其是对于无人机这一类经常发生变形、旋转或场景光照变化的目标物体。本文提出的算法首先通过构造具有不同学习速率的两个并行相关滤波模型来分别检测目标物体的外观改变和位置改变，增强了相关滤波模型对目标物体的外观变化的鲁棒性，然后通过加权融合两个并行相关滤波器的输出响应图得到目标的精确定位位置。此外，本文还进一步提出了一种新的联合输出响应分布，有效地结合了高斯分布和三角分布的优点，解决了目标定位漂移的问题，从而提高了跟踪算法的跟踪精度和健壮性。
　　（2）视觉目标跟踪算法一般采用前一帧的目标定位位置区域作为后一帧的候选区域，因此难以跟踪像无人机这一类运动速度较快的目标。针对这一问题，本文创新性地提出了一种基于运动感知策略的视觉目标跟踪算法，该算法将瞬时运动预测模型、卡尔曼滤波器与视觉跟踪算法有机地融合，可以对目标物体的位置和尺度进行精确的预测与跟踪。在该算法中，首先利用瞬时运动预测模型预来测目标物体在下一帧中的位置和尺度，然后采用卡尔曼滤波器对预测结果进行滤波处理，最后在此基础上利用视觉跟踪算法对目标的位置和尺度进行进一步精准检测，因此本文提出的基于运动感知的跟踪算法能够高效地跟踪快速运动目标并实现高实时性能。此外，该运动感知算法可以方便灵活地集成到其他现有的视觉跟踪算法中以提高跟踪算法对快速运动目标的鲁棒性。
　　（3）为了解决视觉目标跟踪算法中运动模糊与部分遮挡导致模型被污染的问题，本文提出了一种高效的自适应更新策略，首先利用提出的新的置信度计算函数计算相关滤波响应图的置信度值来判断目标是否模糊或被遮挡，然后根据置信度值设置模型学习率大小。在无人机视频序列和大量数据集上的实验结果表明，本文提出的视觉目标跟踪算法优于大多数目前具有代表性的跟踪算法，拥有更高的跟踪准确度、速度和健壮性。