近年来,无人机技术在军事和民用领域得到了长远的发展。为进一步扩展无人机的应用场景,当前无人机技术正尝试与其它技术相结合,以满足各行业对于空中作业的现实需求。其中无人机实现对地面移动目标的视觉检测和跟踪仍是值得深入研究的课题之一。本论文基于无人机平台,通过计算机视觉技术在图像上对地面车辆目标实现视觉跟踪。当前,实现对地面车辆的视觉跟踪还面临不少难题:一方面在视觉检测过程中,需要应对目标明暗变化、旋转、尺度变化、部分遮挡的问题;另一方面,完成视觉检测后,在视觉跟踪过程中还需对目标丢失与否进行判别。本文针对以上问题展开研究,以解决在无人机平台上对地面车辆进行视觉检测与跟踪所面临的难题。针对地面车辆的视觉检测算法做了相应的比较和研究。其中基于深度学习的视觉检测算法由于无需针对特定目标设计复杂的特征提取算子,且拥有较高的检测准确率,因此采用基于深度学习的视觉检测算法对目标进行检测。考虑到地面车辆在移动过程中存在明暗变化、旋转、尺度变化甚至部分遮挡等因素,为提高视觉检测算法的准确率,对样本数据做了增强处理;为进一步加快神经网络模型收敛速度,对当前各类优化算法做分析和比较,并选用了其中的Adam优化算法;为提升对不同尺度目标的识别检测效果,在不同层次的特征图上对目标进行融合预测。针对地面车辆的视觉跟踪算法做了研究和改进。当前,对地面车辆的视觉跟踪任务中还存在着跟踪目标连续形变、部分遮挡、尺度变化、跟踪丢失等问题。对于上述问题,引入多特征融合,进一步提高特征提取算子对目标特征的描述能力;响应图谱分析,对被跟踪目标丢失与否做出判别;针对模型的自适应更新问题,根据最大响应值及响应图谱波动情况自适应调节模型更新率大小,提高算法的抗干扰能力。相比于在每帧图像上对目标进行检测所实现的跟踪方式,所提出的算法在保证有较高跟踪精度的同时,使得视觉跟踪平均帧率从18.2帧/秒提高到56.2帧/秒。