近年来,无人机应用逐渐普及,并开始向智能化方向发展。无人机视觉引导系统是无人机智能化发展中的重要研究内容。该系统从视觉角度出发,让无人机拥有定位目标、抵近目标等功能,在现代社会中能够发挥重要作用。当前市面上的无人机视觉引导系统主要存在准确性、稳定性不足问题,对此,本文提出一种基于跟踪优化与检测协同的无人机视觉引导系统。本系统优化目标跟踪算法,协同使用目标检测算法及深度学习技术,在实际视觉引导过程中表现出良好的准确性和稳定性。本文的研究工作主要分为以下部分:首先,本文提出一种基于多重辅助性损失函数优化的Siam Losses目标跟踪算法。Siam Losses在原始算法Siam FC的基础上新设计增加三种辅助性损失函数——得分差异放大辅助性损失函数Loss1、三元匹配辅助性损失函数Loss2和特征内部差异放大辅助性损失函数Loss3。这三种辅助性损失函数分别在Siam FC的相似性计算阶段、特征匹配阶段和搜索区域特征提取阶段对原始跟踪算法的特征提取方式进行优化,增大样本间特征差异,使网络更易选出正确目标。经公共数据集验证,本算法在OTB2015数据集上OPE指标可达60.0%;在OTB2013数据集上OPE指标可达62.3%,比原始算法精度更高。经消融实验验证,三种辅助性损失函数均可帮助原始算法提升性能:Loss1可帮助提升原始算法OPE-OTB2015指标至59.5%,OPE-OTB2013指标至61.5%;Loss2可帮助提升原始算法OPE-OTB2015指标至59.3%,OPE-OTB2013指标至61.4%;Loss3可帮助提升原始算法OPE-OTB2015指标至59.8%,OPE-OTB2013指标至61.8%。然后,本文提出一种基于Siam Losses与SSD的无人机视觉引导系统。本系统同时部署基于深度学习的目标检测和目标跟踪算法,通过设计算法融合机制,让两种算法相互配合,帮助系统获得更好性能。本文详细描述本系统的整体工作流程、硬件构成和软件构成,并通过实验展示本系统的实际应用效果。最后,本文成功搭建系统软硬件、部署相关算法并进行相关实验。在算法实验中,Siam Losses算法指标如前所述,SSD算法在自采数据集上m AP（Io U=0.5）指标达95.8%,m AR（Io U=0.5:0.95）指标达72%。在现实场景实验中,本系统成功实现目标定位、目标抵近及关键部位识别定位等功能,且在视觉引导的准确性和稳定性上均有良好表现。