目标跟踪和目标识别是计算机视觉领域的一个重要研究问题,在军事国防、智能安保、无人驾驶、群体行为分析等领域具备很高的应用价值。针对目标跟踪和目标识别的相关技术展开研究,提出更为精确实用的算法具有重大意义。同时,随着技术的快速发展,无人机已经在快递物流,灾难救援、航空摄影、军事侦查与打击等场景中得到广泛应用。然而,无人机对空域的安全所造成的严重威胁也不可忽视。由于无人机具备的低空飞行、成像尺寸小、快速运动等特性,基于常规雷达的反无人机系统探测难度较大且成本较高。这一现实使得基于计算机视觉的光学飞行目标跟踪与识别技术成为研究的重点。然而,计算机视觉目标跟踪与识别同样面临着难题,这些难题是反无人机系统实际部署的难点所在。长久以来,远距离成像、镜头晃动模糊、目标外形相似、目标遮挡与丢失等问题都是造成跟踪和识别算法性能严重退化的重要因素。针对无人机目标跟踪和低空飞行物目标识别的两个方向的性能退化问题,我们分别提出了三项具体工作:1.提出了基于混联注意力机制的反无人机跟踪网络。由于在实际应用场景中存在背景复杂、目标外观相似、复杂光线条件等干扰,同时,主干网络参数中存在冗余甚至错误信息,进而导致特征提取网络的表征能力发生退化。针对这一问题,考虑融合多种注意力机制的混合注意力模块,分别从通道注意力、空间注意力和上下文注意力角度引导特征提取网络生成更为鲁棒可靠的特征表达。在Anti UAV数据集可见光子集部分的实验结果表明,所提出的方法相对于2019CVPR提出的Siam RPN++,在跟踪成功率、距离精度和重叠精度方面,分别提高了5.9%、6.7%和8.7%,达到了59.9%、78.6%和78.7%。2.提出了基于多级判别器的反无人机长期跟踪孪生网络。目前基于单目标的短期跟踪算法是不够实用的,因为其无法解决目标丢失和重回视场等问题。而长期目标跟踪算法存在自身跟踪状态判断依据较单一、重检和模板更新机制较为简单的弱点,这些都是导致跟踪器在现实应用场景中性能退化的原因。针对这一问题,我们设计了更为有效的多级判别器用于控制重检模块和模板更新模块的启动,进而更为精确的调整跟踪器的运行状态,并融合前期提出的混合注意力机制形成完整模型。在Anti UAV反无人机数据集可见光子集上,所提出方法超越一系列先进算法并达到了领先水平。具体地,成功率和距离精度分别达到了67.7%和88.4%。与CVPR2021提出的Trans T相比,成功率的相对提升为13.7%,距离准确率的相对性能提升为10.1%。与CVPR2020提出的Siam CAR相比,成功率提升了15.8%,距离精度提升了12.3%。3.提出了基于时空神经网络的小目标识别方法。针对低空飞行目标外观相似、成像距离远、目标尺寸小等问题,考虑基于单帧图像的识别器忽略了目标运动过程携带的关键时序信息,通过引入时空神经网络和序列化图像信息,弥补单帧信息的不足。另外专门构建了序列飞行目标识别挑战数据集ATSETC4,实验结果证明了该方法的有效性和潜力。具体地,提出的算法在精度方面平均比包含Mobile Netv2和SENet50在内的先进算法提高了3.39%。