随着5G技术的飞速发展和以GPU为代表的计算设备算力的不断提升,边缘计算的重要性日益凸显。一方面,基于单视角图像的目标检测、识别与跟踪算法遇到了性能提升的瓶颈,大数据驱动的深度学习算法也难以解决复杂环境下目标的剧烈形变和抗遮挡问题,有必要引入异视角信息增强算法性能和鲁棒性;另一方面,传统云计算模式出现了通信带宽瓶颈和安全性等弊端。研究基于智能边缘计算的多机协同目标检测、识别与跟踪方法,可以很好的解决强对抗干扰条件下的目标有效识别与精确定位问题。论文以异视角无人机群对军用车辆目标群的协同侦察打击体系为背景,深入研究了多智能体协同多目标检测、识别与跟踪算法,在群智目标关联、协同检测识别、协同跟踪定位等方面做出了一些有特色的研究工作。论文主要研究内容如下:针对异视角目标群个体与个体之间的关联配对问题,提出了两种新型关联算法。对远距离目标群,采用一种描述目标群相对位置的拓扑描述子,并在此基础上完成了基于拓扑描述子和模糊重合度的位置关联算法。对中近距离目标群,进一步利用了目标的属性特征,建立了多特征融合的异视角目标关联算法。实验表明,论文提出的关联算法有较高的关联准确率,并在无人机惯导误差,姿态角误差等因素干扰下的表现都远胜于传统关联算法。针对传统目标检测算法检测率和虚警率无法兼顾的问题,提出了一种双重阈值判定和D-S证据理论结合的方式,先降低检测阈值,尽可能提高检测概率,再利用D-S证据理论综合多视角信息降低虚警率。针对细粒度分类识别场景下,单视角目标特征差异度不足,准确率不高的问题,提出了一种融合异视角特征的协同目标分类算法。仿真实验中,论文利用Autodesk 3ds Max生成了同一车辆目标群的异视角图像数据集,并证明了在同样数据集和训练模型的条件下,异视角协同目标分类算法具有更高的准确率。针对基于单视角图像的跟踪算法难以解决遮挡问题的缺点,论文利用无人机的位置、姿态等传感器参数,通过地理坐标系和图像坐标系的变换和逆变换,研究了目标遮挡场景下无人机的持续跟踪问题,实验分析了各参数误差对跟踪精度的影响和算法对目标重捕获效率的提升。针对传统双机定位算法精度不足、存在定位盲区等缺点,并结合本文应用场景,提出了一种残差卡尔曼滤波和异面直线公垂线法的协同定位方法。实验表明,论文的定位算法很好的解决了定位盲区问题,和基于最小二乘法的双机定位算法相比,减小了20%-30%的定位误差。此外,论文梳理了无人机协同侦打流程,将上述细分场景的算法结合起来,构建了一套全自动多智能体协同检测、识别与跟踪的体系。重点解决无人机群协同探测、识别、跟踪、目标丢失重捕获、精确定位等模块的切换衔接问题。为广大协同体系的研究者提供了一定的参考。