近年来,随着遥感对地观测技术的发展,如视频卫星技术和无人机技术,基于遥感视频的目标跟踪技术在智能交通管理、视频监控、战场动态分析等领域具有广阔的应用前景。目前,基于遥感视频目标跟踪的相关研究很多,但大多都仅用单一或者几种组合特征表征目标。深度学习的特征表达能力十分强大,利用深度卷积网络得到的特征蕴含更加丰富的信息,基于深度卷积网络的跟踪方法在近景视频中取得了突破性进展。但是,直接应用这类方法到遥感视频领域,还有着诸多的困难与挑战:1)遥感视频背景复杂、尺寸较大,而且是以俯视角度拍摄的,与近景视频中的目标尺寸和视角存在差异。2)遥感视频中,目标尺寸较小,得到的特征少,同类物体极为相似,同类物体干扰极大地影响了跟踪精度。3)实际应用中,遥感视频目标跟踪对跟踪结果的准确性要求较高。为了解决上述问题,本课题展开了基于深度卷积网络的遥感视频目标跟踪方法的研究,在保持实时性的同时,提高跟踪精度,抑制干扰目标。主要工作如下:1、基于视频的连续性和目标跟踪的实质,即识别并跟踪指定目标而非其他任何物体,提出将Siamese网络应用到遥感视频目标跟踪中。分析总结了使用Siamese网络进行目标跟踪的基本流程,通过在无人机数据集和遥感卫星视频数据集上进行实验,验证了Siamese网络能够跟踪大尺度遥感视频中的小目标,并且能达到实时性要求。2、针对遥感视频跟踪精度不高的问题,本文提出了基于Siamese网络和模板更新的目标跟踪方法。Siamese网络是在目标识别数据集上预训练的,模板图像仅由第一帧的标注数据得到,但是,对于方向或外观发生剧烈变化的目标,跟踪精度将会下降。首先,目标跟踪的是视频序列,使用时间上具有连贯性的无人机视频训练网络,能使网络模型更有针对性;然后根据前一帧预测的目标位置,用加权平均思想更新模板图像;计算模板图像和搜索区域的相似度,确定目标的位置。在无人机数据集和遥感卫星视频数据集上的实验证明,本文方法能有效地提高跟踪精度。3、针对遥感视频跟踪的目标周围存在相似的干扰物体情况,根据相关滤波思想构造相关滤波层,嵌入到Siamese网络中,提高网络的目标判别能力。使用深度卷积网络对输入的模板图像和搜索图像提取特征,相关滤波层对模板图像特征相关滤波,有效抑制干扰目标,提高跟踪精度。无人机数据集和遥感卫星视频数据集上的实验结果证明,本文方法能有效增强抗干扰能力,提高跟踪精度。