航拍目标的检测与跟踪技术是无人机对地面目标实时监测的基础操作,也是无人机实现智能化应用的重要技术之一。在实际情形中,地面目标存在视场广、尺寸小、背景繁杂等诸多情况,通用算法对特殊场景下的目标检测与跟踪能力不够理想。因此本文以航拍视角下的目标检测与跟踪为研究方向,在计算机视觉技术与深度学习理论研究的基础上,探索更高效的航拍目标检测与跟踪算法,用以提升复杂环境下航拍小目标的检测能力,增强航拍运动目标跟踪的稳定性。本文对卷积神经网络、目标检测与跟踪方法的国内外研究情况及相关技术的发展现状进行了分析,阐述了航拍影像中目标检测与跟踪任务所面临的难点问题,针对目前存在的问题进行了优化改进,重点研究的内容如下:1.结合随机深度残差网络构建了复杂环境下的航拍目标检测模型。首先研究与分析了不同深度网络对模型性能的影响,采用深度残差网络训练检测模型,提升网络的学习能力;其次通过深度残差网络中的残差学习机制,降低深层网络导致的退化问题;最后引入随机深度机制调整网络结构,降低网络复杂度。该算法实现了深层网络的高效学习性能,提高了复杂背景下航拍目标的分类与检测能力。2.提出一种基于多尺度特征金字塔的航拍小目标检测方法。由于小目标特征多数存在于浅层网络中,随着网络加深,特征会越来越少甚至消失。本文在检测网络中引入多尺度特征图金字塔结构,将浅层存在的细节特征信息与深层包含的丰富语义信息更好的融合,更充分地提取小目标的特征,提高对航拍图像中小目标的检测能力。3.将构建的航拍目标检测模型作为检测器,结合卡尔曼滤波构建航拍运动目标跟踪模型。采用检测器对航拍视频中的初始帧进行目标检测,提取目标位置与边界框信息,通过卡尔曼滤波器对检测到的目标进行跟踪,在目标丢失时再次调用检测器进行目标更新,该模型能够很好地检测到航拍视频中的运动目标,并进行跟踪。在多种应用场景下进行了跟踪实验,验证了本文提出的航拍目标跟踪方法具有较好的鲁棒性。