近年来,目标识别与跟踪技术在视频监控、交通导航、军事侦察等领域得到越来越广泛的应用,同时,灵活性强、成本低、操纵方便等优点使得无人机在军事、民用及商业领域脱颖而出。本课题将无人机动态目标跟踪技术应用于未来智能交通监控系统,提出一种基于机器学习的智能无人机动态目标识别跟踪技术方案,实现低成本、高效率车辆或行人的检测与跟踪,进一步为监控、搜救、侦察等提供决策信息,加快智慧城市建设。首先,定义了无人机目标识别跟踪坐标系,并建立无人机动力学模型,作为无人机动态目标识别跟踪的研究基础;并在此基础上提出了一种无人机动态目标相对位置解算方案,可实时估计被跟踪目标运动轨迹,建立无人机目标识别定位与无人机目标轨迹跟踪之间的数据联系。其次,针对全局目标检测算法Yolo V3检测实时性差问题,设计了一种基于通道+层联合剪枝方案,优化Yolo V3网络结构,减少模型空间复杂度与时间复杂度,提高算法的实时性;进一步,结合Yolo V3-slim全局目标检测算法和Siam RPN（Siamese Region Proposal Network）局部目标检测算法,提出一种了基于Siam RPN+Yolo V3-slim的动态目标识别定位算法,可动态调整搜索区域,解决目标长时跟踪过程中目标遮挡丢失后快速重识别问题及目标初始位置确定问题;并针对原始目标检测算法中数据集种类缺失、训练数据样本不均衡、缺少干扰样本问题,对Siam RPN+Yolo V3-slim训练数据进行针对性样本扩充,提高目标识别定位的准确性。然后,针对无人机动态目标跟踪过程中多约束条件、多任务需求问题,提出了一种基于RRT+MPC多约束目标轨迹跟踪算法。针对RRT（Rapidly exploring Random Tree）初始搜索路径中拐点多、拐点角度大问题,可利用MPC（Model Predictive Control）预测模型优化RRT初始搜索路径,使得参考轨迹过渡平滑,且实际物理可行,解决传统轨迹规划与飞行器控制单独设计带来的计算资源浪费问题;针对MPC在线优化过程中约束条件过于严格而导致优化无解、控制失稳问题,提出一种基于违反因子的约束软化方案,弱化不严格约束条件使得MPC可解;同时,RRT与MPC的有机结合,可同时解决无人机目标跟踪过程中的飞行路径限制、无人机姿态限制、执行机构限制问题,且满足飞行过程中低能耗、高稳定、高精度等多任务需求。最后,为验证本课题提出的基于机器学习的智能无人机动目标识别跟踪技术方案实际可行,建立了无人机动目标识别跟踪技术验证平台,主要包括设计无人机目标识别定位分系统和无人机动态目标轨迹跟踪分系统的硬件结构与软件架构设计,并通过实际飞行测试验证该方案实际工程可用。