在机器视觉领域中动态目标跟踪一直是一个重要的研究方向,其广泛应用于视频监控和智能交通等领域。动态目标跟踪分为目标检测和目标跟踪两个步骤。在目标检测中,因为视频中会存在噪声和背景的多变等因素,会影响目标检测的完整性；在目标跟踪中,因为特征提取的不完整、背景颜色与目标相似等因素,会造成目标跟踪的错误或者失败。为了解决上述的问题,本文展开了相应的研究。针对视频流中融入的噪声,本课题采用了均值滤波和中值滤波对其进行了去噪。视频中因为背景的影响而造成的目标检测的不完整,本文把三帧差法和背景差分法结合起来对目标进行检测,利用贴标签的方法对检测结果作进一步优化,提高了检测的完整性。为了更完全的提取目标特征,使后续目标跟踪获取更多的目标信息,本文提出了将目标颜色和轮廓相结合的方法提取目标特征,为了解决目标跟踪中粘连遮挡问题,分析了多目标之间可能出现的状态,将其分为单一、融合遮挡以及分离三个状态,并对其进行逐一判别。然后根据目标区域面积和运动速度等信息提出了对应的跟踪策略。此外,论文还研究了跟踪目标与背景相似的情况下,造成的跟踪失败的问题,提出了一种将卡尔曼滤波器和Meanshift算法相结合的方法,进一步提高了目标跟踪的准确度。最后,搭建了以云台和摄像机相结合的动态目标跟踪实验硬件平台,其扩展了目标跟踪范围。在实验中,云台首先带动摄像机检测视场中的动态目标,当其处于视场中心时锁定目标,然后根据计算得到的目标运动矢量,控制云台转动,使跟踪目标始终处于视场的中心区域。本文对国际标准测试视频及实际拍摄视频进行实验仿真,验证了本文算法的可行性；另外在实际硬件平台的跟踪中,本系统较好地实现了对运动目标的跟踪。