计算机和通信技术的快速发展促进了无人机技术的进步，无人机也因其灵活、快速等特点被运用到越来越多的行业。无人机对地面目标的追踪是无人机应用中的重要一环，被广泛应用于抢险搜救、边防侦察、安防安保等领域。为了解决追踪作业中存在的无法自动定位和追踪目标的问题，本文对基于无人机平台的地面目标追踪算法进行研究，对算法进行了总体设计，实现对地面目标的自动检测、跟踪和定位，从而引导无人机持续追踪目标。本文的具体研究工作如下:
　　1)设计追踪算法总流程，分成检测、跟踪、定位引导三个模块，检测模块用于无人机自动识别云台相机视野范围中的被追踪目标，若检测到目标则启动跟踪模块进行目标跟踪作业。通过计算视野中心即云台相机瞄准线所在位置与目标中心之间的像素差值作为云台转动的控制量，控制云台始终瞄准目标，结合无人机自身飞行位姿信息、云台转角信息以及激光测距模块信息，通过齐次坐标转换法实现被定位目标的坐标系转换，得到无人机和被追踪目标之间的相对位置信息，最后根据相对位置信息推算出目标的GPS(GlobalPositioningSystem，全球定位系统)位置信息，并将这些信息用于无人机目标追踪任务的飞行决策。
　　2)无人机视野范围较大，目标所处背景往往十分复杂，且受制于机载端处理器性能限制，现有目标检测算法很难满足检测精度与速度的双重要求，本文提出一种基于YOLO框架的改进算法。利用轻量高效的MobileNet特征提取网络替换原算法主干网络，在保证检测效果的前提下大大降低算法计算量，并利用特征注意力机制模块SE-Block提升网络对目标特征的描述能力，以弥补替换特征提取网络带来的精度损失。经过公开的VOC数据集测试，改进之后的算法比原算法在检测速度上快75.6％，在无人机机载端TX2处理器上能达到10.6FPS(Frames Per Second)的运行速度，且检测精度可以满足目标追踪的应用需求，在检测精度和速度之间拥有更好的平衡。
　　3)为增强目标跟踪的精度，提升跟踪算法的抗遮挡能力，本文提出了一种基于SiamRPN(Siamese Region Proposal Network)跟踪算法框架的改进算法。首先，利用前一帧目标干扰信息强化特征相似度响应函数，使算法能够更加充分地利用前一帧强负样本信息，提升被跟踪目标与强干扰之间的辨别能力;其次，利用Kalman滤波对目标进行轨迹预测并将预测位置作为目标搜索中心，进一步提升目标跟踪精度和抗遮挡能力。在公开的UAVI23目标跟踪数据集上测试，改进之后的算法在跟踪准确度上提升了7.3％，跟踪成功率提升10.2％，在TX2处理器上具有13FPS的实时运行速度，儿具有更好的抗遮挡性能。
　　本文先是通过公开数据集定量的证明了本文改进算法在性能上的提升，最后通过多组实际测试定性证明，本文算法能够实现无人机平台下对地面移动目标的追踪。