随着无人机和计算机视觉的快速发展,基于无人机的智能目标跟踪系统在交通监控、军事反恐侦察和森林防护等很多领域均有广泛应用。航拍视频中的目标跟踪有以下特点:1)目标仅由几个像素组成,其大小与噪声非常相似;2)安装有摄像机的无人机设备的运动是任意的、不受约束的;3)感兴趣目标相对于摄像机的运动是独立的,因此有时物体可以在任意点离开或进入摄像机的视场;4)物体的外观和形状因光照和姿态的变化而变化;5)相机的视野受到限制,目标容易被树木、建筑物等背景所遮挡。现有目标跟踪算法没有完全针对这些特点进行设计和优化,所以在航拍视频中实现鲁棒且实时的跟踪仍然是一个巨大的挑战。本文的主要研究工作是以孪生网络框架为基础,针对航拍视频目标跟踪的特点与需求,对目标跟踪算法进行创新和完善。主要研究内容分为以下两点:（1）预先训练的卷积网络特征偏向于增加类间目标的差异,所以通用模型预训练的深层特征很难学习有差别的深层特征进行航拍目标跟踪。针对这一问题,提出了一种融合目标显著性和在线学习干扰因子的无人机跟踪算法。算法根据回归损失函数的梯度可以表明相应滤波器在识别目标对象方面的重要性,从预先训练的卷积神经网络层中选择最有效的滤波器来学习航拍目标显著性深度特征,而且大大减少通道特征量,加快了跟踪速度。另外,针对全卷积孪生网络算法无法在线更新目标模板从而导致目标发生显著变化时跟踪失败的问题,本文算法利用连续视频丰富的上下文信息,通过引导目标外观模型与当前帧尽可能的相似来在线学习动态目标的干扰因子,从而实现可靠的自适应匹配跟踪。（2）目前占主导地位的跟踪模式是模板匹配追踪,但在目标分辨率低、大视场和多个角度变化的航拍视频中,由于轴对称边界矩形框跟踪和低维的的转换模型降低了目标定位精度。针对这一问题,提出了一种新的无人机场景下的目标激活双匹配和补偿分割跟踪算法,将视觉目标跟踪问题转化为视频目标分割问题。与一般的跟踪器不同,本文将目标激活定位模型与目标模板的前景、背景特征的增强双匹配模型相结合来提供关于像素级的相互补偿信息,实现了目标的像素级准确分割。此外,一些大多数跟踪基准算法将目标的位置标定为轴对称矩形边界框。为了提高目标的跟踪精度,本文提出一种在线快速拟合方法将目标的逐像素分割掩模转换成更贴合目标的旋转矩形框。在具有挑战性的UAV123数据集上的实验结果表明,本文跟踪方法基本实现了空中目标跟踪准确度和实时性的需求。