目标跟踪是无人机应用研究的一项关键技术,倍受国内外研究人员的关注。基于无人机平台的目标跟踪系统通常使用机载相机采集图像,根据图像信息识别和定位目标,进而引导无人机追踪目标。然而,由于无人机所采集图像中场景的复杂性,以及无人机与目标之间存在相对运动,目标可能在所采集图像中丢失,引起跟踪任务失败。针对上述问题,本文提出了一种基于视觉感知的多无人机协同目标跟踪技术,一方面基于深度关联度量对视觉目标跟踪算法Siam RPN进行改进,提高了视觉跟踪的成功率和精确度,另一方面利用多无人机的协同优势提升了目标跟踪性能。本文的主要工作内容如下:（1）针对Siam RPN无法有效区分相似语义对象,以及缺乏长时跟踪能力的问题,提出了一种基于深度关联度量的孪生网络跟踪算法。引入深度目标验证器和多轨迹关联跟踪机制,将单轨迹跟踪问题转换为目标及其相似语义对象的多轨迹跟踪问题,提高该算法对相似语义对象的辨别力;在视觉跟踪出错时,基于全局目标重定位策略重新定位目标,提高该算法的长时跟踪性能。该算法在OTB2015数据集和UAV20L数据集上的成功率图AUC分别为0.661和0.639,相比Siam RPN提高3.3%和11.3%,表明该算法具有更优的短时跟踪性能,且在无人机目标跟踪这类长时跟踪任务中表现更佳。（2）针对单无人机目标识别导致定位误差,以及引入多机协同产生的定位不一致问题,采用一种基于混合一致性的分布式平方根容积信息滤波算法进行协同目标状态估计。仿真结果表明,该算法能够融合多架无人机对目标的测量数据进行状态估计,使多无人机得到更准确一致的目标状态信息。（3）提出了一种基于分散二次模型预测控制的多机协同航迹规划算法,以最大化费舍尔信息矩阵为目标,形成多机协同目标跟踪的近似最优观测位置配置,达到提升目标跟踪性能的目的。采用人工势场将协同航迹规划中的非凸性（优化目标与约束条件）转化为分散二次模型预测控制的运动学方程的外部控制输入项,使算法具有凸优化性质。仿真结果表明,该算法能够求解各无人机的近似最优观测航迹,从而引导多机以近似最优观测位置配置协同追踪目标。本文通过真实场景下的多机协同目标跟踪实验验证了本系统的可行性与实用性。