四旋翼无人机具有结构简单、机动性能良好、隐蔽性强和环境适应能力强等特点,因此被广泛应用于军用和民用领域。无人机对运动目标的识别与跟踪是无人机众多应用领域中的一个研究热点,值得深入探索提高无人机跟踪精度和鲁棒性的方法。本文针对基于视觉的无人机跟踪方法存在因相机运动造成图像退化导致运动目标的错检和漏检问题,提出了一种基于多速率扩展卡尔曼滤波的相对位姿求解方法,融合了手机IMU(Inertial Measurement Unit,IMU)数据与无人机的IMU和图像数据,提高了无人机对目标跟踪的精度;同时,为了解决无人机处理器资源有限的问题,使用Intel NUC作为无人机处理器,搭建Linux系统,并在其上部署ROS(Robot Operating System,ROS)系统,最后通过实验证明本文方法的有效性。本文的主要工作和成果如下:(1)针对基于图像的无人机运动跟踪方法精度有限的问题,采用融合手机和无人机多传感器参数的方法,提出了基于视觉和惯性传感器的无人机运动跟踪方法,通过APP发送运动目标的IMU数据至无人机,结合无人机端的图像和IMU数据,通过多数据融合提高了无人机对运动目标跟踪的精度。(2)针对无人机相机图像采集过程中,存在运动目标错误提取或无匹配问题,采用ORB特征描述子提取特征点,提高特征点提取速度并减少系统开销,并使用RANSAC(random sample consensus,RANSAC)算法剔除外点,减少特征点的误匹配。该方法能够在保证准确性的情况下减少处理器的开销。(3)针对IMU和图像采样速率不一的情况,提出了基于多速率扩展卡尔曼滤波的相对位姿求解方法,在有测量信息的时刻进行时间更新和测量更新,在测量信息缺失时只进行时间更新。该方法能够提高数据的更新率,减少了IMU信息的浪费,提高系统鲁棒性。