问题——多目标跟踪是无人机实现“看得清、跟得住”的核心技术；在军事防御、边境巡逻、应急救援等场景中，无人机常常需要在大范围、动态环境中持续识别并追踪多个移动目标——生成连续、可用的轨迹——为后续识别、预警和决策提供支持。然而，多目标跟踪在无人机上的实际部署面临诸多挑战：高速运动带来的视角变化，目标尺寸频繁变化，城镇、海面、林地等复杂背景，光照受云层、逆光或夜间补光影响剧烈波动，目标之间或与环境长时间遮挡。同时，小目标像素占比低，信噪比差，容易出现“丢失—重现—误认”等问题。这些因素叠加，使得传统算法在实际应用中常出现跟踪漂移、身份混淆和轨迹中断。 原因——传统滤波和纯视觉方法各有局限，难以单独应对“高噪声、强非线性和强不确定性”环境。卡尔曼滤波及其扩展形式虽然在工程领域广泛应用，具备结构清晰、实时性强的优点，但对噪声和运动模型的依赖较大，在面对机动突变、遮挡和复杂背景时，模型误差容易累积，导致滤波失效。单靠深度视觉网络虽然能提取丰富特征，但在多目标密集、背景复杂且算力有限的无人机平台上，要兼顾实时性和稳定性较为困难。核心问题在于：如何在保证实时性的基础上，让跟踪算法具备自适应能力，并能在不确定条件下持续输出可靠的状态估计。 影响——跟踪稳定性直接关系到态势感知质量，并影响后续指挥和决策。在军事场景中，轨迹的连续性和身份一致性是判断目标意图、预测行动路径、组织防御的重要依据；在应急救援中，稳定的跟踪有助于快速发现人员、车辆或火点的动态；在基础设施巡检中，连续轨迹支持异常行为识别和风险预警。一旦频繁出现身份切换或轨迹中断，系统可能产生重复计数、误报漏报，甚至给出矛盾判断，影响处置效率和安全。 对策——采用“深度学习+扩展卡尔曼滤波”的融合方案，提高模型适应复杂环境的能力。研发团队提出深度扩展卡尔曼滤波（DeepEKF）方法，在保留滤波框架可解释性和实时性的基础上，引入学习模块适应不确定性，形成“预测—针对—校验”的闭环流程。 一是强化轨迹预测能力。方法通过序列建模，将历史轨迹映射为未来状态预测，让模型能够学习运动模式。当目标发生加速、减速或短时机动时，系统依然可以给出平滑且更准确的预测，为观测更新争取时间窗口，减少因单帧异常引发的整体漂移。 二是优化计算资源分配与干扰抑制。针对无人机视野范围广、候选区域多的特点，引入注意力机制，对图像区域赋予权重，突出可能包含目标的区域，降低背景杂波对估计的干扰。此举能在有限算力下提升关键信息提取效率，实现实时性与稳定性的平衡。 三是利用外观一致性校验身份，缓解遮挡和交叉带来的误关联。当运动学预测与视觉观测不一致时，通过孪生网络等外观比对模块评估目标相似度，用于数据关联：外观高度一致时可修正运动学误差，不确定或被遮挡时降低置信度，让系统短暂“保留判断”，等待重识别，从而减少错误绑定引发问题。 前景——融合式跟踪有望成为机载边缘智能的重要方向，但要实现工程化落地，还需系统推进。实验结果显示，该方法集成到多假设跟踪框架后，在运动不可预测或帧间差异大的边缘场景中，有效降低了轨迹碎片率，提高了跟踪准确率，表现出良好的复杂环境适应性。未来技术突破重点包括：扩大气象、地形和光照条件下的数据覆盖，提高泛化能力；在受限平台上优化软硬件协同，确保可部署与可维护；与检测、识别、测距和任务规划等模块深度融合，实现从“看见”到“看懂”再到“可用”的闭环能力。随着传感器小型化、边缘计算提升和算法工程化进步，多目标跟踪的稳定性和可信度有望持续增强，为无人机在复杂环境下的感知提供更有力支持。
深度扩展卡尔曼滤波技术的应用，不仅缓解了无人机多目标跟踪中的核心难题，也展示了人工智能与传统算法结合的巨大潜力；随着军事科技持续发展，这类创新技术有望深入重塑未来战场的感知与决策方式，为国防安全提供新的技术支撑。