目标检测与跟踪一直是计算机视觉领域的重要研究方向,近年来,基于多旋翼无人机平台的目标检测与跟踪算法在反恐作战、治安监控、区域巡查等领域有着广泛应用。随着人工智能技术的发展,基于深度学习的目标检测与跟踪方法在准确度及泛化能力方面得到显著提升。无人机场景下存在目标尺度较小、干扰因素较多等问题,给目标检测与跟踪任务带来了巨大挑战。因此本文主要对基于深度学习的无人机目标检测与跟踪算法进行研究,具体的工作内容如下:首先,本文分析了无人机使用场景下目标检测与跟踪算法的关键技术难点和所要解决的问题,并对本文研究方法所涉及到的基础理论知识作大致的介绍。针对无人机目标检测问题,本文基于YOLOv3设计了无人机目标检测算法MYOLOv3。在边框回归中损失中引入CIo U损失函数,提高算法的边框回归效率和目标定位精度,并重新定义先验框聚类算法中的距离函数,同时改善了重叠目标边框被过度消除的问题。此外,本文还针对训练数据集进行数据增强,大幅提升算法对不同视角,不同尺度目标的检测效果,改进后的M-YOLOv3算法在本文数据集上的m AP达到84.6%。针对无人机目标跟踪问题,本文在Siam RPN++的基础上选择继续沿用Alex Net作为特征提取网络,保证算法的实时处理速度,改进后的Siam＿Tracker在无人机平台上的达到了25帧。对于目标在复杂场景中容易受到尺度变化、遮挡形变、相似目标等干扰因素的影响从而导致跟踪漂移的问题,本文基于卡尔曼滤波算法建立目标的运动估计模型,使算法在跟踪过程中能够与目标的运动状态相结合,提高整体的跟踪效果。最后,本文还搭建小型多旋翼无人机实验平台,通过网络模型压缩和Tensor RT加速技术将本文改进的目标检测与跟踪算法应用到NVIDIA TX2机载计算平台上,并对实际的使用效果进行测试分析,结果表明,改进后的目标检测与跟踪算法都有着良好的性能,满足实际使用的需求。