目标跟踪是计算机视觉领域一个基础性课题,在智能驾驶、安防监控、军事侦察等领域均有着广泛应用。在目标跟踪任务中,影响跟踪性能的主要因素有:目标剧烈形变、目标快速运动、相机抖动、场景遮挡等。本文将对目标跟踪课题开展研究,主要工作可分为算法理论研究和机载系统应用两个部分:在算法理论研究部分,提出基于在线自监督学习的场景适应目标跟踪算法OSATracker。本文对当前主流的基于孪生网络结构的跟踪算法进行深入研究,发现尽管基于大数据离线训练得到的匹配模型具有较强的泛化能力,但是由于在线跟踪过程中目标模板特征易受光照变化、场景遮挡、相机抖动等因素影响,导致模板累积误差随着跟踪时间延长不断变大,故而使得匹配模型无法很好适配当前跟踪场景。本文受到自监督学习的研究思路启发,针对在线跟踪过程数据有限、离线训练得到的孪生网络匹配模型对在线跟踪场景适配度不够的问题,利用模板自身信息设计了自监督学习模块,使得匹配网络在匹配定位结果不准确时,及时对模板特征进行优化调整,矫正目标位置。该结构能够使得匹配网络更关注于当前模板区域的有效特征,提升网络模型对在线跟踪场景的适配性,在不需要对匹配网络模型重新进行离线训练的情况下有效提升了跟踪定位的精度。本算法在OTB2013和OTB2015数据集上的评测结果表明,其跟踪成功率相较于基准算法Siam FC平均提升了1.3%。此外,本文设计了完备的消融实验对自监督学习过程中各项参数对跟踪性能的影响进行了分析。针对机载系统中多目标跟踪任务的需求,即要在硬件低功耗的情况下实现多尺度、多类别的实时多目标跟踪,本文对相关滤波类跟踪算法开展了深入研究,并选取六种经典的相关滤波类的单目标跟踪算法（包括DSST、CN、BACF、SAMF、Staple、KCF等）,以它们为基准,采用多线程的方式实现多目标跟踪,可以依据跟踪场景和任务需求选择不同基准算法去执行多目标跟踪任务。此外,本文在无人机采集得到的机载视频数据上对采用不同基准算法执行多目标任务的效果进行可视化对比分析,实验证明本文所采用的方法对于需要跟踪的目标数目较少的多目标跟踪任务需求具有较高的性价比和应用价值。