基于无线传感器网络(Wireless Sensor Network,WSN)的目标跟踪技术一直以来都是研究热点之一。但传感器网络资源受限,制约了目标跟踪的精度和实时性等指标。本文从资源消耗、跟踪精度和延迟响应的角度出发,对目标跟踪的节点协同调度和跟踪算法进行了研究。论文分析了WSN目标跟踪的背景与意义以及国内外研究现状,探究了目标跟踪与节点调度的相关理论基础,介绍了强化学习相关知识,最终选用一种强化学习算法——深度确定策略梯度算法(Deep Deterministic Policy Gradient,DDPG),用于传感器节点的协同调度。对节点协同调度的模型建立进行了详细的阐述,为后续DDPG学习训练做理论基础。本文的贡献如下:本文提出了一种基于DDPG学习和集中式节点协同调度的目标跟踪算法,该算法是一种针对单目标的协同跟踪算法,主要是针对目标跟踪整体性能的优化,减少能耗和优化跟踪精度,本研究建立了任务模型和能量消耗模型,为DDPG训练中与智能体的交互的构建了环境模型,最后设计了环境的状态空间、智能体的动作空间和奖励函数,并利用DDPG方法迭代训练,将调度中心训练成一个智能体,得到可行的运动协同策略,从而保证了无线传感器网络中合理的能量消耗和有效跟踪精度。本文提出了一种基于DDPG学习和分布式节点协同调度的目标跟踪算法,该算法首先建立了目标跟踪的系统架构,在可用能量的约束下共同优化系统响应延迟和跟踪精度。提出了一种新的层次结构来实现感知和计算的耦合功能,针对那些资源受限的传感器节点,引入了无人飞行器(Unmanned Aerial Vehicles,UAV)充当边缘智能节点,提供计算和缓存服务,并利用DDPG提出了一种智能调度策略来协同调度节点执行跟踪任务,从而保证低延迟和低能耗。为了验证本论文所提出算法的正确性和鲁棒性,本文利用Python语言,TensorFlow和Pyglet模块搭建了相关实验平台,通过大量的仿真实验表明,本文提出的WSN中的节点协同跟踪目标的算法,能够在保证跟踪精度和快速响应的同时,有效降低能量消耗,具有一定的实用价值。