随着微电子软硬件的快速发展,无人飞行器的性能、续航等得到快速提高,且由于自身具备高灵活性和高适应力,使得其在许多应用场景中已成为不可替代的重要手段。尤其是将视觉多目标跟踪技术搭载于无人机平台,可以大幅提高无人机智能化和自动化水平,使无人机在执行任务中可以自动地对场景信息进行快速高效分析,在瞬息万变的工作场景中帮助人们进行决策处理。然而,无人机工作场景具有高复杂性和多样化,将多目标跟踪算法应用于无人机任务面临着一些挑战:（1）无人机飞行特性带来的挑战。无人机的高机动性使得其携带的相机处于快速运动中,同时在高空飞行过程中无人机会产生不可避免的机械振动,导致了其拍摄的图像存在运动模糊。（2）无人机目标跟踪过程中的挑战。无人机高空拍摄的角度导致视野中目标多而密集,且飞行过程中会带来的视觉变化以及目标遮挡,将导致目标跟踪方法所学习的模型容易发生漂移现象。（3）无人机平台自身限制带来的挑战。大部分无人机只配备一个CPU,其计算资源匮乏,且配载的相机在外部环境影响下容易产生图像模糊和噪声,导致图像退化。本文围绕基于无人机的目标跟踪技术,针对现有跟踪算法在无人机应用中容易出现性能退化的问题,提出一系列的新模型和方法,提高多目标跟踪在无人机应用中的精确度和鲁棒性。论文主要内容如下:1)面向无人机的抗遮挡双网络跟踪框架。本节针对无人机应用场景中频繁出现的遮挡、视角变化问题,构建了一种能够识别跟踪漂移并重新定位跟踪目标的并行双网络跟踪框架。通过探索Siamese跟踪方法和相关滤波跟踪方法在目标跟踪过程各自的优缺点,并构建一种模型漂移判别机制,当因遮挡和视角变化导致跟踪漂移时,及时识别异常并进行处理,使得跟踪方法重新定位跟踪目标,从而保证无人机应用中当出现因遮挡、视觉变化的跟踪失败后能够及时修正并恢复跟踪。在UAV123数据集上,我们的跟踪框架在遮挡后重新定位目标,因此取得了0.765和0.635的跟踪精度和成功率。2)面向无人机的背景多线索抑制跟踪异常机制。针对无人机图像中目标过小,能利用的有效信息匮乏问题,研究探索了一种具有背景信息感知力的相关滤波器,从4个维度上提取信息,从而使跟踪方法对目标信息以及背景信息采集运用,提高跟踪方法的判别能力。同时,考虑到运动模糊以及运用过多的背景信息会给算法带来噪声干扰,采用一种异常抑制机制,保证学习的目标模型具有时空上的平滑一致性,最终提高了跟踪方法在无人机平台的鲁棒性。在UAV123数据集上,我们的方法较之未使用异常抑制机制的基准跟踪器,准确率和成功率分别提高了10.2%和10.7%。3)具有多重判断机制无人机多目标跟踪算法。为实现高精度和高鲁棒性的无人机多目标跟踪算法,本文提出一种由一个骨干网络和三个辅助模块组成的多重判断机制多目标跟踪框架。其采用一种能够适应不同尺寸大小目标的骨干网络,对检测模块识别出的目标充分提取信息,并通过对目标的有效信息进行判别从而区分难易目标。之后采用数据关联模块对容易目标进行快速的轨迹分配,而困难目标则采用基于相关滤波和Siamese网络构建的跟踪模块来分配轨迹,最终实现无人机场景的多目标跟踪方法。最终在Vis Drone2019数据集上,保持实时性的同时获得了33.1和78.4的MOTA和MOTP得分。