在本文中拟将目标跟踪算法应用于嵌入式系统以实现可应用于小型化无人机（UAV）的目标跟踪系统。对于目标跟踪算法,在计算机视觉领域目前有两种主要的研究方法:基于判别相关滤波器（Discriminative Correlation Filter,DCF）的方法和基于深度学习的方法。考虑到嵌入式系统的功耗和计算资源的限制,最终选择基于DCF方法的Auto Track算法。对于嵌入式系统的选择,由于功耗和成本的限制,必然在性能上有所不足。通过对目标跟踪算法的计算细节分析,结合当前国内易于获得的情况下,选择了勘智K210作为嵌入式系统的处理器,并以此选择矽速科技的Sipeed Maix Dock作为嵌入式系统的开发平台。本文主要完成以下工作:1.在原算法中针对目标外观的多变性,引入了自适应时空正则化,使得相关滤波器可以根据目标的外观变化情况调整其对目标的学习程度。通过对该算法的原理分析,发现算法没有考虑目标候选框的选择和目标的运动快慢对相关滤波器的学习影响。因此本文针对上述问题引入了运动偏差补偿和运动速率调整。另外原算法为了提升跟踪精度,引入了高维图像特征,使得算法的计算量变大,从而导致检测速度相对较低。而这对于嵌入式平台来说,其影响将更大,针对该问题本文对特征进行了相应的计算优化。2.通过对选定的嵌入式平台已有的计算资源和相关软件支持进行分析,并根据目标跟踪系统的实现所需,本文设计了系统的整体框架,然后对其中的各模块针对具体的嵌入式平台分别进行设计与实现。3.目标跟踪算法中涉及大量的数学运算,尤其是矩阵运算,而在嵌入式平台上对这块的支持相对缺乏,因此为保证算法在嵌入式平台上的完整运行,在目标跟踪系统框架中专门设计并实现了一个底层计算库,并利用嵌入式平台的特性对其中的计算进行了加速。4.本文对嵌入式系统上实现的目标跟踪系统进行了系统测试。首先对其跟踪效果进行了直观的测试,然后对算法进行了性能测试,未优化算法的参考精度为0.577,参考重合率为0.388,而经过优化后其精度和重合率分别提升到0.652和0.44,而基于PC端运行的原算法其精度和重合率则分别为0.715和0.479。其结果证明本文对原算法在嵌入式平台上的优化是有效的且接近该算法在PC上的性能。