近年来,无人机产业发展迅速,并已广泛应用于社会生产生活中。然而,由于无人机具有低空、慢速以及小目标的特点难以进行管控,危害空域安全的违法“黑飞”事件时有发生。如何有效解决无人机的“黑飞”问题成为了本课题的根本动因和目的。“黑飞”问题的解决方案主要由检测和管控两部分构成,先检测到无人机目标后,再对其进行诱骗控制。本文主要对基于相关滤波的目标跟踪算法进行了改进,研究并实现了基于深度学习的无人机视觉跟踪系统,在图像中检测到无人机目标后再对其进行跟踪。论文从理论和工程两个角度切入,主要研究内容如下:1.研究了目标检测与跟踪的基本理论,对基于相关滤波的目标跟踪算法和基于深度学习的目标检测算法分别进行了介绍,并对目标检测与跟踪领域里的经典算法进行了分析和性能对比。2.理论研究方面,本文针对传统相关滤波算法存在的特征单一、鲁棒性差的问题,采用多种互补特征来描述目标外观。考虑到边界效应的影响,本文引入了上下文感知框架,提取目标周围四个图像块的一层卷积特征作为背景信息。在特征响应融合阶段,本文采用了一种新的多特征融合策略来有效地结合深、浅层互补特征。最后,使用平均峰值相关能量（APCE）指数来评估响应图的置信度和跟踪结果的可靠性,并决定是否更新模型。本文提出的算法在OTB-2013数据集上进行了测试,结果表明,该算法与HCF算法相比,跟踪精度提高了0.3%,跟踪成功率提高了1.9%。3.工程实现方面,本文基于Linux系统,Qt IDE实现基于深度学习的无人机跟踪系统。本文在Qt IDE里移植优化YOLO v4目标检测算法,采用海康威视摄像机实时采集视频流并解码转换,采用生产者/消费者的多线程设计模式来提升程序运行速度,链表队列作为缓冲区,GPU加速检测算法,最后通过PID算法控制摄像机舵机转动。本系统在户外环境下进行了测试,结果表明本系统能够实现对无人机目标的检测与跟踪。