自主跟踪飞行空中目标在民用和国防领域具有重要应用，范围从搜索和救援到反无人机系统（counter-UAS）。基于地面的跟踪需要建立基础设施，可能受到距离限制，并且在偏远地区、拥挤城市或茂密植被区域可能不可行。从另一架空中载具（例如追逐者无人机）进行基于视觉的主动跟踪，有望填补这一重要空白，并服务于空中协调的应用案例。无人机基于视觉的主动跟踪涉及解决两个耦合问题：1）计算高效的准确目标检测和目标状态估计；2）机动决策以确保目标在未来的时间步长内保持在视野范围内，并且位置有利于持续检测。

为了解决第一个问题，本文提出了一种将标准深度学习架构与核相关滤波器（Kernelized Correlation Filter, KCF）相结合的新方法，以实现计算高效的对象检测而不牺牲准确性，这与单独使用学习或过滤方法不同。所提出的感知框架通过实验室规模的设置进行了验证。对于第二个问题，为了克服传统控制器在线性假设和背景变化方面的局限性，我们提出了使用强化学习训练神经控制器来快速计算速度机动的方法。为此目的开发了新的状态空间、动作空间和奖励函数公式，并在AirSim仿真环境中进行了训练。训练后的模型也在AirSim中针对复杂的目标机动进行了测试，结果表明其在跟踪时间和平均保持距离方面优于基线PID控制。

关键词：自主跟踪、飞行空中目标、深度学习、核相关滤波器（KCF）、强化学习、神经控制器、AirSim仿真环境