无人机由于体积小、成本低、灵活易操作等特点得到各领域的广泛关注,在应急救援、农业植保、军事侦察、地质勘探、环境监测、影视娱乐等行业应用领域需求旺盛。运动目标检测及跟踪是无人机航拍方面研究的基础内容之一,为实现无人机地跟踪拍摄,运动目标的检测及跟踪必不可少。本文采用随机森林(Random Forest,RF)和核相关滤波(Kernelized Correlation Filter,KCF)算法,围绕运动目标检测及跟踪这一课题,对运动目标的特征提取、边界检测、遮挡检测机制等算法进行了研究,最后将EBKCF(Edges Boxes with Kernelized Correlation Filter,EBKCF)算法移植到Manifold上,验证EBKCF算法的有效性。首先,由于结构随机森林(Structured Random Forest,SRF)的特征提取算法复杂,造成运动目标检测时间过长,本文提出了一种简单的梯度提取算法Simple-gradient。该算法减少了特征提取的复杂度,减少了算法提取时间,缩短了运动目标模型的训练时间以及运动目标边界检测时间;针对多棵决策树之间可能存在冗余,利用间隔减量均值计算SRF元分类器的相似性,剔除具有较高相似性且重要性低的决策树。其次,针对核相关滤波类运动目标跟踪算法,提出了一种遮挡检测机制Mean Peak-to Correlation Energy(MPCE)指标,以解决视野内遮挡导致的运动目标跟丢问题。根据遮挡检测因子与阈值的关系判断当前图像中是否存在遮挡,以提高算法在遮挡情况下的跟踪准确度;同时针对运动目标尺度变化导致的跟踪目标漂移现象,利用SRF算法检测运动目标边界,结合Edges Boxes算法更新运动目标尺度,对多个候选结果采用提案否决机制得到较准确的运动目标框。实验结果表示,对存在遮挡和尺度变化的情况,本文算法能准确跟踪运动目标。最后,为验证EBKCF算法有效,以Guidance视觉系统结合Manifold机载计算机,搭载大疆经纬Matrice100(M100)无人机飞行平台,移植EBKCF和KCF算法到Manifold中,根据当前实验条件分别设计尺度变化和遮挡检测实验过程,实现运动目标跟踪。通过KCF算法和EBKCF算法的对比实验表明,EBKCF算法能准确跟踪出现遮挡和尺度变化的运动目标。