随着无人机技术的发展迎来了蓬勃期,无人机应用的领域也越来越多。利用无人机去对目标进行跟踪已经成为了机器视觉领域的研究重点之一,无论在军用领域还是在民用领域,均可使用无人机的跟踪功能对目标进行侦察或航拍等。目标跟踪算法经过多年的研究和发展,虽然算法的速度和精度取得了重大的突破,但在实际应用中,往往会因为目标变形、光照变化、运动模糊、遮挡和尺度变化等因素,使得目标跟踪不准确甚至丢失目标。针对无人机对移动目标的跟踪问题,本文设计了基于机器视觉的无人机目标自主跟踪系统,主要内容及解决方法如下:（1）根据无人机目标跟踪要求,主要对无人机的飞行原理及跟踪原理进行了详细的介绍。通过分析悬停、升降、俯仰、翻滚和偏航五种飞行运动状态介绍无人机飞行原理;通过分析二维图像坐标系到三维无人机坐标系的转换过程介绍无人机的目标跟踪原理。（2）针对目标尺度的变化,本文在核相关滤波（Kernelized Correlation Filters,KCF）算法中引入判别尺度空间跟踪（Discriminative Scale Space Tracking,DSST）算法的尺度滤波器,使其在跟踪过程中目标框可以随着目标尺度的变化而变化,从而形成了拥有目标尺度自适应功能的KCF-SA（Scale adaptation）算法。经过定量实验后,在尺度变换数据集中KCF-SA算法相比KCF算法在平均中心误差上减少了2 pixels、在平均重叠率上增加了19.8%。（3）针对目标被遮挡和快速运动情况,本文在KCF-SA算法中引入目标结果置信度估计来判断目标丢失状态,引入第一帧重检测机制减轻目标框偏移情况,引入扩展区域重检测机制来提高目标快速运动时的跟踪鲁棒性,从而形成KCF-RD（Re-detection）算法。经过定量实验后,在目标快速运动及遮挡数据集中KCF-RD算法相比KCF-SA算法在平均中心误差上减少了39 pixels,在平均重叠率上增加了32.3%。（4）针对目标旋转角度的变化,本文在KCF-RD算法中引入傅里叶-梅林变换,使得目标旋转时目标框也随之旋转来实现目标角度自适应,并且在算法中采用两种学习率的滤波器分别计算置信度,选择置信度高的角度进行更新,来提高算法的准确度,从而形成了本文改进算法。经过定量实验后,本文改进算法相比KCF-SA算法在平均中心误差上减少了6 pixels,在平均重叠率上增加了19.4%。