1.基于深度学习的空中目标跟踪方法，其特征在于包括以下步骤：(1)构建多域卷积神经网络

多域卷积神经网络包含五层隐藏层和一层二分类层，五层隐藏层分别是conv1、conv2、conv3、fc4和fc5，其中，conv1、conv2、conv3为卷积层，fc4、fc5为全连接层，二分类层为fc6，对目标和背景进行分类；

(2)训练多域卷积神经网络中bounding-box回归模型

1)标定第一帧图像目标位置

标定第一帧图像目标位置为 x1、y1为目标位置坐标值，sw、sh为目标矩形框的宽和高；

2)选择样本

多域卷积神经网络以 为中心采样生成W个回归样本，每个回归样本与目标实际位置重叠率的计算方法如下： 式中，Rt为输出跟踪框区域，Rg为实际目标区域，area表示Rt和Rg的运算结果面积，N为视频序列帧数；

设重叠率的阈值为L，大于等于L的样本为正样本，小于L的样本为负样本，然后从正样本中随机选取Q个样本输入网络训练bounding-box回归模型；

3)微调网络

提取第一帧图像的正负样本经conv3得到特征图表示，将其中重叠率为[L-0.1,L)的负样本的特征图作为难例样本与正样本一同输入fc4实现网络微调；

(3)自回归模型训练与预测

1)训练自回归模型

自回归模型表示为： 式中，{zt|t＝1,2,…,T}是一个时间序列的目标位置的观测值，z为x或y，T为时间序列的长度，zt-1,zt-2,…,zt-p为t时刻前1到p时刻的观测值，εt为预测误差，p为模型的阶数， 为模型的参数；

其中p和 的确定方法如下：

①利用最小信息准则函数AIC(p)计算p，p＝{1,2,…,pmax}，其中pmax为模型阶数的上界，当AIC(p)最小时对应的p即为最终的p值，AIC(p)的确定方法如下：式中， 是用最小二乘法对自回归模型拟合的残差方差估计，其计算方法为： 式中， 为误差方差；

②根据最小二乘法：β＝(ZTZ)-1ZTY计算出不同T值对应的参数矩阵β，当残差方差估计为最小值时，对应的β即为最佳参数 式中Z为T时刻前的观测值矩阵，Y为T+1时刻预测值的矩阵；

2)预测目标位置

将第n帧的前p帧目标位置的x、y坐标值分别代入训练好的自回归模型，即为预测到第n帧目标的位置；

(4)网络测试

多域卷积神经网络以预测到的第n帧目标位置为中心采样，采用多维高斯分布采样M个候选样本，并按照以下方式选择置信度最高的样本： 式中，E*为置信度最高的样本，Ei为当前候选样本；将E*输入至bounding-box回归模型进行调整使E*的区域和目标区域更接近，最终确定目标位置。

2.根据权利要求1所述的基于深度学习的空中目标跟踪方法，其特征在于目标矩形框宽和高的取值通常在10-20之间，AR模型的阶数取值为4，时间序列的长度为16。