无人机因其体积小、重量轻、易隐蔽、灵活控制等优点开始在民用领域得到广泛应用。目前,传统目标检测与跟踪技术无法满足无人机平台下复杂动态的视频目标检测与跟踪任务需求。本文以道路车辆为被测对象,利用深度学习技术,对无人机系统下的道路车辆检测与跟踪方法进行深入研究,论文的主要工作反映如下:(1)基于YOLO(You Only Look Once)网络的车辆检测改进方法研究。结合不同连接方式的特征提取网络,重构了一种基于YOLO的网络模型,用于实时检测无人机航拍图像下小目标的道路车辆。首先,为保留小目标在水平方向上的细粒度特征,通过调整网格数量设置来增加特征图横向分辨率。其次,利用K-means聚类方法确定网络中Anchor boxes的大小和数量,用于匹配所需检测车辆目标的尺寸,以便减少计算复杂度,提高网络预测能力。然后,针对随机初始化网络训练慢、难收敛的问题,选取ResNet-v1-50预训练模型来替换原模型的浅层结构。在网络深层结构中,采用不同连接方式的密集拓扑结构,强化网络的小目标特征提取能力。此外,为提高网络池化效率,采用可学习的权重参数来平衡最大值池化和平均池化的使用比例。不同天气、不同路段及不同道路走向的视频图像车辆检测结果表明,本文改进的车辆检测方法能够检测出汽车、公交车和卡车这三种不同类型的车辆目标,检测精度达到89.2%,并能满足实时检测要求。(2)融合IoU(Intersection over Union)和LSTM(Long Short-Term Memory)网络的车辆跟踪方法。在航拍图像中车辆不会出现重叠的情况下,基于检测网络的车辆检测结果,充分利用视频帧间检测框之间的IoU信息,来指导车辆的跟踪。在视频图像中车辆部分遮挡情况下,首先,通过ResNet-18特征提取器,来提取历史帧中车辆的表观信息,再利用LSTM网络来匹配和预测当前车辆的位置。不同天气情况下视频图像的车辆跟踪实验结果表明,本文提出的融合IoU和LSTM网络的车辆跟踪方法跟踪性能稳定,鲁棒性高,并能够完成实时地跟踪。