无人机作为一种高机动性、高灵活性的综合智能体,已经被广泛地应用在各行各业以及日常生产生活当中。伴随着人工智能技术以及图像处理技术的快速发展,计算机视觉技术已经成为了无人机在导航与控制方面一项不可或缺的重要技术。针对无人机平台的计算机视觉技术而言,视觉目标跟踪算法是诸如自主跟随飞行、自主着陆等无人机关键技术的底层算法。本文主要围绕针对无人机平台的目标跟踪算法优化以及目标跟踪算法在无人机任务中的实际应用展开工作。虽然国内外的研究者们针对无人机视觉目标跟踪技术已经取得了一系列的研究成果,但是仍然存在以下问题:1)通过无人机获取的视频序列往往是包含有大量噪声的低分辨率图像,而现有的目标跟踪算法并没有针对低分辨率小目标进行特定优化;2)无人机本身的飞行高度变化会造成视觉跟踪目标发生宽高比变化和缩放变化,但是传统固定模板的孪生网络目标跟踪算法往往无法适应目标视觉外观的剧烈变化;3)旋翼式无人机的着降是一个非常复杂的过程,无人机着降过程中需要借助着降地标对自身位姿进行实时解算。当无人机与着降平台之间距离较远时,着降地标通常无法被机载相机清晰获取,此时需要目标跟踪算法对着降平台进行跟踪,当地标清晰可见后再切换到对着降地标的跟踪。因此,使用单一跟踪算法通常无法满足无人机着降过程中的全部跟踪任务需求。针对上述问题,本文进行以下四个方面的研究工作:（1）目标跟踪相关理论基础研究。在对现有目标跟踪算法的发展过程进行整理总结的基础上,针对基于相关滤波的目标跟踪算法与基于孪生网络的目标跟踪算法的基础原理进行研究,作为后续研究的理论参考。（2）基于残差学习的全卷积孪生网络跟踪算法。针对无人机视觉目标跟踪过程中跟踪算法对低分辨率小目标判别力不足的问题,通过引入一种残差学习的方法减少特征提取网络对同类特征的过拟合,提出了基于残差学习的全卷积孪生网络跟踪算法RLSiam FC。使用OTB100数据集与Tcolor128数据集充分证明了所提算法对低分辨率小目标的跟踪性能有所提升。（3）基于特征增强的模板更新目标跟踪算法。首先,针对目标跟踪过程中目标外观变化剧烈问题,提出了一种基于特征增强的模板更新目标跟踪算法（Siam RUM）。该算法在Siam Mask算法的基础上,引入模板更新模块使离线训练的跟踪模型能够在线调整自身的匹配模板,使跟踪算法适应跟踪过程中跟踪目标的外观变化。随后,引入通道注意力机制对匹配模板进行特征增强,以此减少模板更新过程中背景干扰信息的引入。最后,对所提算法使用VOT数据集进行消融实验证明各个模块对于算法性能有效提升,并且使用UAV123数据集验证了算法在无人机视觉环境中的性能也有提升。（4）无人机地面运动平台着降目标跟踪方案。针对单一跟踪器无法完成无人机对地面运动平台着降跟踪任务的问题,设计了一种跟踪目标从地面平台到着降地标自动切换的目标跟踪方案。将着降过程分为了平台跟踪阶段与地标跟踪阶段,选择Siam RUM与RLSiam FC分别作为地面运动平台和着降地标的目标跟踪算法,并且使用YOLOv5s算法作为地面平台与着降地标的目标检测算法完成两种跟踪器的自动切换功能。最后,通过OSG生成的多种三维虚拟环境与无人机实际飞行拍摄视频对本文所提方案的可行性进行了详尽的测试。