随着无人机感知技术以及飞控技术的日益进步,无人机作为一种便捷高效的数据采集和探测设备被广泛应用于军事和民用各领域。然而,在一些需要在低空平视目标进行跟踪的场景中,传统的无人机俯视跟踪或云台追踪的方案面临两个技术难点:一是超低空跟踪过程中无人机摄像头采集到的视频目标尺度和位置高速大幅变化;二是需要无人机对目标长时间敏捷跟踪。因此,本文针对这种超低空平视目标跟踪的场景,研究基于单目摄像头的无人机智能跟踪技术。具体研究内容和贡献如下:本文提出了一种基于KCF（核函数相关滤波器算法）的视频流检测方法。方法引入了YOLO（you look only once）检测算法用于解决核函数相关滤波器无法感知到目标在视频流中尺度变化的问题。同时,本文设计了HOG特征检测方向神经网络、YOLO与KCF的帧缓存系统以及经验缓存区的机制来适应超低空跟踪目标时视频中目标尺度位置高速大幅变化的特性。在通过KCF优化算法获取到了目标在帧中的位置和大小后,本文提出了一种基于TD3（孪生延迟深度确定性策略梯度算法）的无人机智能低空跟踪算法。在对无人机跟踪目标的过程进行马尔可夫决策过程模型化的基础上,对强化学习算法中的状态、动作、奖励函数进行了详细的设计。本文选用tello无人机作为实验用无人机,设计并开发了无人机超低空平视目标跟踪系统,并对所提出的视频流检测方法进行验证。以检测速度作为指标与YOLO检测算法进行比较,证明了本文提出的检测算法可以适应于超低空跟踪过程中目标尺度和位置高速大幅变化的情境。为了验证基于TD3的无人机智能低空跟踪算法,本文利用gym平台作为环境仿真平台、box2d作为物理引擎开发了一个仿真环境,用于验证算法的可行性。同时,本文提出了一系列指标用于评估无人机运动跟踪方案的好坏。本文将提出的跟踪算法与其他基于确定性策略强化学习的跟踪算法进行比较,结果表现本文提出的跟踪算法具有更佳的跟踪效果。