四轴无人飞行器是近年来快速发展的一种小型无人飞行器,已广泛应用于民用航拍市场。四轴无人飞行器的智能化是当前热门的研究方向之一,主要研究在控制层面上的自主跟踪和自主避障问题。其中,自主跟踪是指飞行器在各种环境下自动追踪移动目标,并与移动目标保持一定间距。解决上述问题的现有方法大都使用传统机器人控制方法,并不具备学习能力,主要依赖于人工调整,其控制效果有限。为此,本文研究深度学习方法实现四轴无人飞行器自主跟踪。深度学习是人工智能领域的突破性技术,能够通过训练自动地提取输入的特征信息。本文尝试将深度学习的这一特性应用到四轴无人飞行器的研究上,提升飞行器的智能水平。为满足自主跟踪的研究需求,本文首先设计了一套四轴无人飞行器仿真研究平台,取名为跨线无人机平台(Crossline Drone,CLDrone)。它具备完善可控的仿真四轴飞行器、仿真汽车及逼真的仿真环境,具有较强的通用性,可用于研究其他飞行器智能化问题。基于CLDrone,本文实现传统反馈控制算法完成AprilTag标志跟踪,并创建基于感知输入和速度输出信息的飞控跟踪数据库,用于深度学习的训练。机器人的控制输出具有连续性,不仅与近期的输入感知信息有关,而且还与近期的短时控制输出紧密相关。为结合两类历史信息,本文提出了一种反馈神经网络(Feedback Neural Network,FNN)。反馈神经网络面向机器人的控制,使用短时的历史数据作为输入信息来提升训练效果。不同于递归神经网络(Recurrent Neural Network,RNN),FNN考虑到控制输出历史信息,与人的直观相符。本文采用监督学习算法,基于飞控跟踪数据库有监督训练FNN模型,使得四轴飞行器能够基于神经网络实现标志跟踪。仿真实验结果表明,FNN的跟踪性能优于MLP和RNN。为提高跟踪通用性,取消对标志的依赖,本文基于YOLO物体检测算法训练了一个汽车位置估计网络,并连接已训练好的FNN形成一个从感知到控制的端到端网络模型。仿真实验结果再次表明,该端到端神经网络模型仅通过视觉信息就能使四轴无人飞行器自动跟踪汽车,并且它的跟踪性能优于传统反馈控制算法。