随着无人机技术的快速发展,无人机平台下的目标跟踪受到计算机视觉领域的重点关注,其成果现已广泛应用于导航制导、安防巡航、目标监测和公共安全等领域。由于跟踪场景的复杂多样和机载计算资源的限制,准确、鲁棒和高效的目标跟踪仍然面临巨大挑战。近年来,基于判别式相关滤波的跟踪算法因其在CPU平台上的高精度和高效率成为了无人机视觉跟踪领域的重点研究方向。该文主要研究无人机平台下基于相关滤波的目标跟踪算法,研究内容如下:现有相关滤波类跟踪算法从样本区域的所有特征中学习滤波器,某些来自遮挡或形变的特征会分散注意力,降低模型可靠性。针对此问题,提出一种稀疏约束的时空正则相关滤波跟踪算法。通过在目标函数上施加空间正则化的弹性网络约束,实现自适应特征选择;同时目标函数中集成时间正则项以缓解畸变导致的模型退化;最后采用交替方向乘子法迭代求解。提出一种相关滤波框架通用的加速策略,利用检测阶段特征矩阵的循环移位生成训练阶段特征矩阵,每帧可节省一次训练阶段的特征提取操作,提高跟踪速度。在三个UAV数据集上的实验结果表明,稀疏约束项能够提高算法在遮挡和形变下的跟踪精度,加速策略能够在不显著影响跟踪精度的前提下（±0.1%）,提高跟踪速度约25%。现有相关滤波类跟踪算法通常在跟踪期间固定目标的纵横比,导致在目标纵横比变化时边界框预测不准确,容易引入错误的外观信息,降低跟踪可靠性。针对此问题,提出一种纵横比感知的相关滤波跟踪算法。在现有相关滤波位置滤波器的基础上设计一种二维尺寸滤波器,在由尺度轴和纵横比轴组成的二维尺寸域中,以当前目标位置为中心裁剪不同尺度和纵横比的目标样本集,训练二维尺寸滤波器,实现在尺度和纵横比两个维度上联合感知目标的尺寸变化,提高目标框的定位精度。在三个UAV数据集上的实验结果表明,尺寸滤波器能够有效提升相关滤波类跟踪算法在目标尺度和纵横比变化时的适应能力。