本文采用计算机视觉与机器学习的方法研究严重遮挡情况下的目标跟踪与无人机平台场景理解,其中以严重遮挡情况下的精准目标跟踪为主。目标跟踪在机器视觉应用中起了至关重要的作用,例如无人机跟踪、运动分析、视频探测。同时基于无人机平台下的场景理解也有着广阔的应用前景。当前目标跟踪算法面临着诸多情况下的考验,其中当跟踪目标被严重遮挡时,目标的部分特征消失,这对算法鲁棒性提出了巨大挑战。因此,本文提出了一种在严重遮挡情况下,采用稀疏区分性分类器（SDC）和稀疏生成模型（SGM）的高斯联合模型（GSCM）来进行目标跟踪。其中,在SDC模型中,采用高斯分布的先验知识对候选样本加权,根据上一帧目标的方差和均值预测当前帧候选样本的权重。同时,在SDC与SGM模型中同时采用l₁范数与LLC分别计算候选样本置信度与样本与模板的相似性,并把它们得到的系数相结合。最终,以权重、置信度、相似度来决策最大似然的样本。本文方法既考虑了样本与模板之间的稀疏表示能力又展现了l₂范数重构准确度高,避免了因l₁范数重构误差过小带来的误差积累,引起目标跟丢,跟踪失败。在场景理解方面,本文采用深度学习目标探测方法YOLO v2用于无人机平台,对网络进行了微调,训练了可以实时探测的五类事物模型。本文目标跟踪实验采用公共的OTB数据集,选取了17组具有严重遮挡的视频序列,并使用了12种近年来的不同的跟踪器进行实验对比。本文提出算法比起其他先进的跟踪器在严重遮挡情况下能够取得更好的表现。场景理解方面,实验采用带有单目摄像头的无人机,且不借助GPS信号,利用自行训练的深度学习模型在真实环境下进行了大量实验,完成真实环境下的场景理解并让无人机自动寻找门飞进室内的任务。