无人机智能飞行技术是当前无人机领域的研究热点,吸引了广大学者的密切关注和深入研究。无人机伴飞是指通过无人机所携带的前向摄像机对目标进行定位,并估计目标的运动状态,从而反过来控制无人机的飞行轨迹,达到伴随飞行的目的。随着无人机的广泛应用,如田径、滑雪、划艇等极限运动拍摄和日常生活记录等,无人机伴飞具有重要的研究意义和发展前景,但与之相关的研究仍处于探索阶段。无人机伴飞的关键技术主要涉及基于视觉的目标检测跟踪技术,它是无人机能够安全、准确伴随飞行的基础。本论文主要针对伴飞应用中的基于视觉的目标检测跟踪技术展开研究,主要工作内容如下:首先,回顾了当前现有的运动目标检测跟踪算法,包括光流法、背景差分法、帧间差分法和相关滤波跟踪算法,对其算法机理和性能进行了分析。其次针对当前跟踪速度快、精度高的基于核函数相关滤波的跟踪算法进行研究,该方法通过循环矩阵实现密集采样,并利用其性质加速分类器训练和核函数矩阵的计算。然后对其进行了仿真,在算法复杂度、光照改变、遮挡和姿态变化等方面进行了实验分析,结果表明该算法具有良好的跟踪效果,但是当目标全部被遮挡情况,会出现目标丢失的情况。其次,针对现有基于核函数相关滤波跟踪算法的不足,提出一种级联迭代分类器初始化方法,以弥补分类器初始化时样本单一问题。该方法采用弱分类器融合集成的思路,设计了一种自适应的分类器权值分配策略,以得到强分类器。实验表明,集成后的强分类器有效的包含了多帧视频的目标信息,能够检测出较大变换后的目标。然后,针对基于核函数相关滤波的跟踪算法难以处理目标遮挡的问题,提出了一种多核并行相关跟踪算法,该算法能够准确判别真实目标和伪目标,从而保证分类器训练和更新的准确性。该方法采用三个分类器联合估计目标的位置,并根据输出响应更新分类器。这种多分类器并行检测,独立更新的方法,保证了分类器中既能适应目标的多种变换,还能防止因为融入伪目标信息而丢失真实目标信息。为了验证所提算法的有效性,论文最后在11个测试视频上进行了实验对比测试,结果表明,在相同条件下,改进算法的处理速度(79fps)比原始算法(115fps)略慢一些,但准确率从78%提高到87%,同时比目前最先进的(State-of-Art)算法Struck(Structured Output Tracking With Kernels)的速度(8fps)要快得多。在目标遮挡试验中,当目标被全部遮挡时,原始算法会丢失目标,而改进算法仍能准确的跟踪目标,具有更强的鲁棒性。