光电跟踪系统广泛应用于侦查、通信、测量等领域,其工作状态包括了搜索、捕获和跟踪阶段,对应了计算机视觉的目标检测以及目标跟踪任务。然而,光电跟踪系统因为应用场景的不同,经常面临复杂背景干扰、相似目标干扰、相机运动模糊、光线不佳以及运动目标机动性强等各类问题与挑战。因此,为了提高光电跟踪系统的整体性能,本文针对光电跟踪系统所涉及的目标检测和目标跟踪任务进行研究,主要内容如下:首先,研究光电跟踪系统工作状态与计算机视觉任务关系,建立工作状态的计算机视觉任务模型,讨论光电跟踪系统中的搜索与捕获状态对应了计算机视觉的目标检测任务,而跟踪任务则对应了计算机视觉的单目标跟踪任务,分析了所面临的挑战,并针对光电跟踪系统的目标检测任务,提出了无人机检测数据集用于检测低空无人机设备,为后续的工作开展奠定了基础。其次,针对目标检测任务提出了对角线网络和峰值响应正则化技术,对角线网络可以对无人机数据进行有效检测,峰值响应正则化方法对深度神经网络中的特征值进行正则化,将其即插即用的与常用的目标检测任务结合,可以有效提高目标检测算法的效果并基本不增加计算量,并在公开数据集和无人机数据集上进行了验证,同时也将其应用于人体姿态检测、图像分类任务取得了不错的结果。接着,针对光电跟踪系统中面临的目标跟踪任务的挑战,提出了亚峰值抑制跟踪器。从目标跟踪的理论模型出发,提出了亚峰值池化和边界响应截断两个操作用于抑制跟踪响应图中的亚峰值,提升主峰值,避免造成跟踪漂移,加入在线学习动态学习目标变化。最后在相关跟踪数据集上对算法进行验证并获得了显著的增益。然后,对目标跟踪任务中引入的在线学习算法进行分析,发现其在提升性能的同时也造成了速度下降,并有可能因为学习到错误样本而造成算法漂移,受到滤波算法的启发,对目标跟踪在线学习过程进行算法建模,并将滤波算法用于目标跟踪在线学习算法中对训练样本进行处理,在相关数据集进行实验,提升基于相关滤波算法和深度学习的跟踪算法性能。更进一步,针对目标检测任务中在线学习效率问题,还提出了改进的自适应随机并行梯度下降算法,用于提升目标检测中在线学习模块的学习效率和光电跟踪系统中光学问题的优化速度,同时提高了算法对随机扰动参数的鲁棒性,最后在光纤耦合任务的仿真和实验平台中都对算法进行了验证。综上所述,本文针对光电跟踪系统的一系列关键问题进行了研究,1、对于光电跟踪系统的搜索和捕获任务提出了对角线网络和峰值响应正则化模块应用于目标检测任务;2、提出了无人机检测数据集;3、对于光电跟踪系统的目标跟踪任务,提出了亚峰值抑制跟踪器用来解决跟踪过程中的相似目标干扰、背景干扰等困难;4、对于跟踪任务提出了基于滤波器的在线学习算法用于解决学习过程中的学习样本的滤波问题,减少噪声样本,提升跟踪算法跟踪精度和速度;5、针对跟踪任务中在线学习效率不高以及光电跟踪系统中其他的光学问题,提出了自适应并行梯度下降算法。通过大量的仿真和实验证明,以上方法均能有效提升光电跟踪系统在跟踪任务上的性能。