随着车辆数量日益增多,道路交通问题密切影响着日常生活。交通监管部门需要通过视频数据实时监控路况信息。无人机技术的快速发展,使从空中视角获得数据成为可能。无人机能提供更加广阔灵活的视角,包含更多的信息,同时也能胜任长距离监控。在无人机场景下通过图像和视频对车辆目标进行跟踪,也有望成为交通监控的新方式。无人机视角下跟踪场景不够稳定,目标容易产生大幅度的形变,也可能被环境所遮挡。无人机的硬件平台也决定了算法要达到实时性就不能进行过于复杂的运算。因此,能够在复杂环境下,依靠轻型嵌入式设备就达到快速准确的车辆跟踪,这将具备重要的研究价值与现实意义。本文在针对目前已提出的各种目标跟踪算法进行了广泛的调研学习之后,选择了核相关滤波算法作为主要研究对象。因为它能够在嵌入式平台上达到较快的运行速度,同时精度也能够维持在较高水平。在此算法基础上,结合无人机场景下车辆跟踪的难点与实际应用的场景,提出了相对应的优化策略。本文的主要研究内容有以下三部分:（1）为解决无人机场景下,传统的核相关滤波跟踪算法面对快速形变的目标容易产生跟踪框偏移的问题,提出一种融合了颜色特征的尺度自适应跟踪算法。设计了区分尺度的空间跟踪器,将对目标车辆的位置定位和尺寸估计同步进行,快速准确的确定形变后目标车辆的有关信息,实现尺度的自适应。另外为了增加算法的鲁棒性,还加入了对形变不太敏感的颜色特征,采用统计颜色特征方法,不受模板类特征限制,有效地应对了目标车辆在此场景下发生尺度突变的问题。在数据集上的测试结果表明,改进的算法能够有效应对目标尺度变化,跟踪精度较传统算法有所提高,同时跟踪速度也达到了实时标准。（2）针对无人机场景下长期车辆跟踪中,在遇到相似目标干扰和目标产生严重遮挡时,容易产生模板污染的问题,提出一种基于高置信度模型更新的长期车辆跟踪算法。不再每帧都更新模板,而是通过计算当前模板与被跟踪车辆之间的相似程度,用来判断当前模板是否能够反映目标的特征,以此来决定更新与否。其中分类器采用的是结合了相关滤波的结构化支持向量机,提高了算法运行的速度。在遇到相似车辆干扰时,用多峰值检测规避可能出现的模型漂移。采用响应图最大值和平均峰间相关能量指标相结合来判断是否更新当前的学习模板。在数据集上的测试结果表明,改进的算法能够有效应对长期跟踪中目标被遮挡的问题,跟踪精度较传统算法有所提高,跟踪速度也达到实时标准。（3）基于本文提出的跟踪算法设计了一个智能车辆跟踪系统,可以实现对视频中目标车辆准确跟踪,同时对目标车辆遮挡和丢失这些状况进行判别。本系统针对无人机场景在嵌入式设备上进行开发,测试结果表明,本章设计的智能车辆跟踪系统能够在嵌入式平台上达到实时性,并且保持一定的准确率,具有一定的应用价值。