近年来,有关计算机视觉领域的目标识别与轨迹预测等方面的研究正不断深入发展和应用。就视频图像而言,通过获取时间序列下的信息,在一定的图像处理后充分挖掘其内部特征,不仅可以用来有效识别目标物体,而且也可以定位移动目标、预测目标未来可能的运动轨迹等。这相比于单一图像中的静态目标更能发现有意义、有价值的信息,而且应用范围更广。本文以视频图像处理为基础,主要就移动目标识别和轨迹预测等相关问题展开了研究,具体的研究内容如下:首先,利用深度学习中的卷积神经网络模型对处理后的视频图像数据集进行目标识别任务。为了避免卷积神经网络训练陷入局部最优状态,使得整体效率变低,以及为了解决原始遗传算法存在的收敛较慢、达到最优解的时间较长等问题,提出了一种基于CNN-IAGA的优化识别方法。该方法改进了遗传算法中的种群适应度,并结合了自适应遗传算法对卷积神经网络的网络参数进行优化。实验结果表明,该方法在选取的数据集中达到了92%的识别准确率,与其他识别方法相比,取得了更好的图像识别效果。其次,在对移动目标进行检测定位、特征提取等工作时,提出了一种目标检测与特征提取(TD-FE)方法。该方法由主体检测和细节检测两部分构成,检测后对最终前景图像进行目标区域标记,提取出特征信息。与其他目标检测方法相比,使用该方法检测目标能够抑制噪声污染、提取出较为清晰完整的目标,提高了前景检测率。此外,还设计和实现了基于TD-FE的图像处理系统,能够更方便地进行本文中的图像处理任务。然后,对前景图像中检测到的目标特征进行量化处理,即将提取出的移动目标的几何特征和运动特征作为它量化后的融合特征,并提出了一种基于图像特征融合的轨迹预测(TP-IFF)方法。该TP-IFF方法研究了Elman神经网络,并结合了Kalman滤波算法和粒子群优化算法,利用粒子群优化算法来优化Elman神经网络的参数和Kalman滤波算法中的随机噪声。将目标融合特征作为Elman神经网络的输入参数,通过大量的网络训练,最终获得移动目标更优的预测位置,从而有效、稳定跟踪目标。在选取的数据集上进行的两组实验结果表明,该方法的预测误差明显小于其他预测方法。最后,通过结合TP-IFF方法和智能交通系统这一应用场景,针对交通领域,创新性地提出了一种基于TP-IFF的车辆碰撞预警机制。