利用无人机平台进行实时多目标跟踪是无人机研究中很有实用意义的研究方向之一,同时它也面临不少挑战。目前主流的多目标跟踪算法都是用的以检测来跟踪（Tracking by Detection,TBD）的范式,即用目标检测网络找到待跟踪目标,再对目标进行跟踪。无人机获取图像时所处的位置往往离地面较远,因此图像中的目标通常尺寸较小且密集,非常考验算法中目标检测的精准度。同时,实时跟踪算法看重实时性,因此需要算法同时保证运行速度。又由于搭载平台的限制,也希望算法的运算量能尽量小。本论文提出基于改进的YOLOv4目标检测算法,并将其与TBD的多目标跟踪算法相结合,以期能满足上述要求。具体的工作有:（1）提出改进的目标检测算法。在SOTA（state-of-the-art）的目标检测算法YOLOv4的基础上,对其在骨干网络、检测颈、检测头以及数据增强方式上进行了改进。具体的优化措施有:在v4网络输入端加入Focus结构,以保留输入图像更多的细节特征;把骨干网络中的残差结构替换成Dense结构,在减少网络的参数的同时提升网络性能;在检测颈中加入CSP结构,使特征融合得更好;在测试时使用图像自适应缩放,加快测试图像时的推理速度。改进后的算法为CSPDense YOLO算法。设计了实验,在Vis Drone2019目标检测数据集上将该算法与YOLOv4算法的性能进行对比,实验结果表明提出的CSPDense YOLO算法在无人机目标检测数据集上的m AP比YOLOv4的提高了6.1%,FPS提高了6.2%。（2）提出改进的多目标跟踪算法。以Deep SORT算法为蓝本,将其算法中的特征提取网络替换为更快、更精确的CSPDense YOLO目标检测网络,并针对多目标跟踪任务的需求将网络的检测头进行修改,使网络输出检测目标的位置、分类和外观特征。输出的目标位置信息用于运动目标建模,从而计算检测目标与已跟踪目标的运动特征相似度;输出的外观特征,也即embedding信息用于计算目标与已跟踪目标的外观相似度;再将两个相似度融合得到特征融合相似度。然后使用级联匹配算法缓解跟踪的ID切换现象。设计了实验,在Vis Drone219多目标跟踪数据集上将改进后的算法的性能进行对比,实验结果表明提出的算法相比Deep SORT的MOTA提高了10.1%,MOTP提高了10.3%,ID切换次数下降了24.5%,FPS提高了52.1%。（3）将算法集成在NVIDIA Jestson TX2平台上,并使用Tensor RT对所提出的CSPDense YOLO算法进行了优化加速。然后在该平台对该算法进行了测试,算法的FPS高达24.2帧/秒;又在无人机平台上对该算法进行了实测,实测结果证明了算法在无人机平台上的性能足以满足实用需求。