无人机蜂群（SUAV by swarm）凭借其体积小、超低空飞行的特点能够规避大部分传统检测和跟踪手段,被广泛应用于军事作战领域。俄乌战场表明,无人机技术正在朝着自主化、智能化、集群化的方向发展,因此开展基于视觉的无人机蜂群目标识别与跟踪算法研究具有十分重要的意义。地对空识别固定翼无人机蜂群存在精确率低、跟踪无人机数量不准确、无人机飞出视场后复现跟踪失败的问题,本文提出了优化目标识别模型并融合目标跟踪的算法。主要研究内容如下:针对YOLOv5s网络模型对小目标识别效果差的问题,首先使用网络层合并的方法,通过将卷积层和批标准化层融合以减少参数量,并加速网络推理,利用在非线性激活函数中引入感受野的方法,来解决非线性激活函数空间不敏感和网络特征提取不足的问题;其次,通过重新定义角度惩罚成本和考虑期望回归之间夹角的方法来优化损失函数,提高网络收敛速度和网络推理的准确性;使用自适应力矩估计的方法来解决网络收敛陷入局部最优问题,进而改进网络结构,将浅层特征图与深层特征图融合,以进一步完善模型对小目标特征提取不足的缺陷。测试结果表明,改进后的模型对小目标识别有显著提升。针对跟踪过程中易出现目标ID转换和目标丢失的问题,使用余弦距离与马氏距离进行特征匹配以避免跟踪过程目标ID转换,同时,采用DIOU提高未匹配目标识别框与预测跟踪框重合准确度及其数据完整性,在此基础上将改进后的目标识别模型与跟踪算法进行融合,使其具备自动识别与跟踪多目标的能力。无人机蜂群目标识别与跟踪的实验结果表明,在可见光的条件下融合算法能够准确自动识别跟踪无人机蜂群。