随着现代科技的迅猛发展,无人机已被广泛应用于各个领域,包括军事侦察、物资派送、电力巡线、地质勘探和智能安防等。作为无人机应用的关键技术之一,目标跟踪技术已成为机器视觉领域的研究热点。在无人机航拍视频中,跟踪目标往往伴随着背景干扰、尺度变化、遮挡等复杂情况,因此,研究高效、鲁棒的目标跟踪算法对无人机的应用具有十分重要的意义。本论文研究基于深度学习的无人机视频目标跟踪算法,主要的研究工作如下:（1）针对无人机视频中小目标跟踪精度低的问题,提出一种基于自适应融合网络的无人机目标跟踪算法。首先,基于感受野模块和残差网络（Residual Network,ResNet）构建深度网络模型,有效提取目标特征并增强特征的有效感受野;然后,提出一种多尺度自适应融合网络,能够自适应地融合网络的深层特征和浅层特征,增强特征的表达能力;最后,将融合后的特征输入到相关滤波模型中,计算出响应图的最大置信分数,从而确定跟踪目标位置。实验结果表明,该算法在跟踪成功率和精确率上均达到了较高水平,有效提升了无人机目标跟踪算法性能。（2）针对无人机飞行过程中,目标易发生尺度变化、形变等问题,提出一种基于Siamese网络的尺度自适应无人机目标跟踪算法。首先,结合跨阶段局部网络和深度可分离卷积的优点构建深度网络模型提取目标特征,优化了网络结构,减少了网络模型计算量;其次,将提取的目标模板特征与搜索区域特征进行互相关卷积操作,得到特征响应图;最后,设计一种基于无锚框的分类与回归网络,计算响应图中跟踪目标的位置。实验结果表明,该算法能够有效降低目标尺度变化、形变对跟踪性能的影响。（3）针对无人机多目标跟踪中小目标难以识别和多个目标聚集遮挡时难以精准匹配的问题,提出一种基于全尺度表观特征的无人机多目标跟踪算法。首先,基于YOLOv4网络模型构建了一个多尺度目标检测器,增强对目标的检测能力,为后续的跟踪匹配提供数据保障;然后,构建一种全尺度网络模型用以提取目标表观特征,增强对同类物体的辨识度。同时,利用卡尔曼滤波器对目标的运动状态进行预测;最后,联合目标表观特征和运动信息,利用基于匈牙利算法的目标匹配策略实现检测结果与跟踪轨迹的匹配关联,完成多目标跟踪任务。实验结果表明,该算法有效增强了特征对小目标的表达能力,具有较好的跟踪性能。