基于检测的无人机多目标跟踪算法在军事与民用领域有着广泛的应用,实时准确的无人机多目标跟踪算法对于解决无人机的空地跟踪问题有着重要的意义与研究价值。当前基于检测的无人机多目标跟踪算法的应用存在两个问题:（1）算法的准确率和实时性仍无法满足部分应用场景要求;（2）在终端设备上部署检测和跟踪算法对模型的体积具有一定限制,导致很多算法难以在工程上得到应用。针对上述问题,本论文以YOLO4和Deep Sort算法为基础开展相关研究,提高基于检测的多目标跟踪算法在应用中的准确率和实时性,并将改进的算法应用在无人机与小车的空地跟踪。本论文研究内容和工作包括:（1）为提高基于检测的多目标跟踪算法的实时性和减少模型的体积,采用优化的通道剪枝算法对YOLO4-SPP模型进行修剪,提出Slim-YOLO4-SPP检测模型。通过减少模型的参数,提高模型的推理速度。实验结果表明,Slim-YOLO4-SPP的检测每秒频率比YOLO4-SPP提高了约21.2%,模型的体积减少了约60%。（2）为提高YOLO4检测模型的准确率,提出一种选择核注意力池化结构应用在YOLO4模型中,并结合模型剪枝算法,提出Slim-YOLO4-SKP模型。实验结果表明,Slim-YOLO4-SKP模型的平均准确率比Slim-YOLO4-SPP高约5.4%。（3）为更有效提取目标的外观特征用于Deep Sort跟踪方法,基于选择核卷积提出DSKCAE特征提取模型。通过DSKCAE提取目标的外观特征作为Deep Sort数据关联匹配的特征向量。实验结果表明,采用DSKCAE模型的Deep Sort方法比原模型的跟踪准确度提升约0.9%,跟踪精度提升约1.5%。（4）针对无人机与小车的空地跟踪问题,设计相关实验,采用改进的基于SlimYOLO4-SKP和DSKCAE-Deep Sort的多目标跟踪算法,通过人工数据采集和标注、设计分析软件,及模型训练,将达到性能要求的模型部署在Jetson Nano设备,并利用无人机搭载Nano设备实现对小车上的二维码检测跟踪。实验结果表明,改进后的方法在Nano设备中运行占用内存降低了约3.2%,检测跟踪的速度提升了约66.9%,改进的基于检测的多目标跟踪算法能够更好用于无人机与小车空地跟踪。综上所述,本论文基于优化的通道剪枝方法和SKP结构,提高了YOLO4模型的准确率和实时性,利用DSKCAE外观特征提取模型提高Deep Sort跟踪准确率,并通过设计实验,将本文改进的方法用于无人机与小车的空地跟踪问题。