作为视觉目标跟踪领域重要的研究方向之一,无人机视频对地目标跟踪任务具备探测范围大、自主性强和应用范围广等特点,在军民领域拥有广阔应用前景,如战场监测、交通监管等。然而,由于无人机平台的特殊性,其拍摄的视频图像中常常存在跟踪目标尺度差异明显、跟踪目标周围相似物较多易产生虚警、跟踪目标形态高动态更新等难点问题影响跟踪效果,且现有的大多数跟踪算法主要针对自然场景下的目标跟踪,对无人机视场下的跟踪任务还没有较为完备的解决方案。针对上述难题,本文提出一种面向无人机视频对地目标跟踪的深度学习网络构建技术,在Siamese-FC网络的基础上,依次构建基于多尺度膨胀卷积的特征增强提取模块、基于注意力融合的上下文目标信息感知模块和基于目标形态多变的模板动态更新模块等关键技术。本文具体的研究内容概括如下:首先,针对无人机跟踪过程中同一目标尺度差异大和目标类间尺度差异明显的问题,本文提出一种基于多尺度膨胀卷积的特征增强提取模块,该模块采用卷积核尺度不一的多分支卷积层结构替换基础架构中的传统卷积层,又利用膨胀卷积的思想对每一分支特征图的感受野进一步扩大,从而达到充分利用深层特征的目的,增强模型的特征表达能力,实现对跟踪目标尺度信息的精准把握和有效提取。其次,针对跟踪目标周围相似物干扰易产生虚警的问题,本文提出一种基于注意力融合的上下文目标信息感知模块,构建一种新型特征融合手段,利用两个分支的自我上下文注意力机制自适应地融合特征图信息,以获得丰富的上下文语义信息,通过两个交叉融合注意力机制对来自两个分支的特征图进行融合,从而充分获取来自另一分支的特征图信息,并进行多次迭代,最终实现对特征信息的全方位感知,增强模型的鲁棒性以适应更为复杂的跟踪环境。再次,针对跟踪过程中无人机平台高速移动造成的跟踪目标外观形态实时高动态更新的问题,本文提出一种基于目标形态多变的模板动态更新方法,利用LSTM控制器产生“读”信号用于提取特征存储器中的特征来构建最终模板并用其得到跟踪结果;同时,利用LSTM控制器产生“写”信号并结合一定的规则将新目标的特征信息存入特征存储器中,更新其中的特征信息,实现模型对目标外观形态变化的充分感知,从而提升模型在长时跟踪过程中的适应性和稳定性。最后,本文在无人机遥感数据集上进行消融实验以验证各模块对整体网络模型的影响,并通过定量和定性分析,系统验证了本文提出的网络模型对于解决相关难题的有效性。