随着无人机技术的快速发展和完善,单无人机追踪地面目标已经难以满足日益复杂的执行任务,多无人机协同工作逐渐成为无人机在实际应用中的一种主要呈现方式,比如民用方面有无人机群实现交通监管,军用方面多无人机实现对地面目标协同追踪打击等。而目前随着计算机视觉技术在各个领域的广泛应用,将视觉技术与无人机相结合实现目标识别和追踪在诸多领域都有巨大的应用价值,这也是将来无人机平台的一个重大研究方向。本文主要针对在复杂场景下,解决多个无人机利用视觉跟踪技术完成多个地面目标的跟踪任务。多机多目标跟踪是通过无人机之间的信息交互实现对多个地面目标的分配和跟踪,主要分为无人机群的协调交互和单无人机平台的跟踪定位两部分。本文利用计算机视觉技术在单无人机平台上完成目标定位和跟踪,目前常用的视觉跟踪算法大多利用传统图像方法或者深度网络对目标进行特征提取,再使用分类器实现目标和背景的区分从而实现定位跟踪。多无人机多目标分配根据场景和应用的不同,一般可分为集中式分配、分布式分配、混合分配等几种方式,主要采用启发式算法完成最优分配方案的实现。本文通过改进传统的相关滤波目标跟踪算法,采用多特征加权融合,权重因子自学习的特征提取方式完成目标特征提取,并利用类别分类器对图像中的目标和背景分类。为了减少特征提取的信噪比,引入空间置信蒙版,从像素级提高目标定位的精度。为了兼顾跟踪速度和精度,本文提出了基于特征层的多位置搜索自适应尺度估计。在多机多目标跟踪方面,无人机容易受到其机载资源限制和自然因素影响,故多目标分配和跟踪是一个受多重条件约束的目标优化问题。本文采用基于遗传算法的集中式目标预分配和基于扩展合同网算法的目标重分配。在跟踪过程中,根据环境类型的变化和无人机自身收益的变化趋势,多无人机之间交替变换跟踪目标,实现无人机群整体跟踪效果的稳定提升和获得信息值的最大化。本文在UAV123数据集上对目标跟踪算法进行验证,采用跟踪精度和跟踪成功率作为评价指标并与传统算法进行对比,得到了一定的提升效果。在无人机目标分配方面对算法进行仿真,对分配方案代价函数变化曲线图和无人机群整体收益变化进行分析,验证了本文算法在预分配和重分配方面的有效性和合理性。