基于无人机机载视觉的目标跟踪技术因其不依赖人工操控、不受信号传输限制，被广泛应用于航拍、搜救、侦查、执法等领域。针对目标尺度变化、局部或全局遮挡等视觉跟踪领域的经典问题，近年来不乏鲁棒性强的跟踪算法问世，但由于复杂度较高导致大多算法不适用于实际无人机实时跟踪任务。针对以上问题，本文基于运行速度较快的核化相关滤波(Kernelized Correlation Filter, KCF)目标跟踪算法进行研究和优化，提高其鲁棒性的同时降低算法整体时间复杂度；并基于RK3399嵌入式处理器搭建机载处理平台，通过实际飞行实验验证了本文算法在保证鲁棒性的前提下具有良好的实时跟踪效果。
　　本文研究内容主要如下：
　　第一，对于KCF算法无法处理目标尺度变化的问题，引入尺度自适应模块并改进。首先使用FHOG特征+HSV颜色特征取代原有HOG特征训练KCF位置滤波器，并对两种特征进行自适应权重赋值代替固定权重，从而增强对目标的识别能力，提高算法鲁棒性；其次将位置滤波器的输出作为尺度滤波器的输入，并使用一维高斯目标函数训练滤波器以降低尺度特征维数，从而降低算法复杂度；最后采用间隔目标采样的方式进行模型更新，进一步提高算法整体运行速度。
　　第二，针对KCF算法无法处理目标遮挡或丢失的问题，引入目标重检测机制。目标丢失后，使用改进的三帧差分法过滤图像中的静态背景信息，只将存在运动物体的区域送入改进后的KCF滤波器中进行目标重检测，从而避免目标全局搜索带来的巨大运算量，提高算法运行速度；同时针对三帧差分法对图像噪声极度敏感的问题优化其自适应阈值策略，使算法不易受像素值微小变化的影响，且检测准确率更高。
　　第三，针对本文跟踪算法进行实际飞行实验。首先使用UAV123数据集对本文算法进行大量离线测试并与部分主流相关滤波跟踪算法进行对比以验证其鲁棒性和实时性。在此基础上，通过实际飞行实验证明本文无人机视觉目标跟踪系统在目标出现尺度变化、遮挡、光线变化、旋转等干扰时几乎不会丢失目标，且可在嵌入式处理平台达到30帧/秒的运行速度。