动态图像序列中运动目标跟踪融合了许多领域的先进技术，其中包括图像处理、模式识别、人工智能、自动控制等，其广泛应用于工业控制、交通监控、生物医学、气象预报、武器成像制导和军事侦察等领域，有着非常广泛的应用前景和研究意义。但由于运动目标形变快速、背景复杂、光照条件改变、目标与背景颜色近似、摄像机运动等情况使得运动目标准确跟踪非常困难。本文针对这些问题进行了运动目标跟踪的理论研究，主要工作如下：首先，运动目标跟踪的关键技术和前提条件是目标的分割，本文提出了两种运动目标分割算法。一种是针对复杂背景中运动目标检测的问题，提出了基于改进的最小Tsallis交叉熵视频对象分割算法。该算法与帧间变化检测相结合，采用改进的最小Tsallis交叉熵设置自适应阈值，克服了传统的最小Tsallis交叉熵法阈值化容易失效的问题，能够在复杂背景中准确获得运动目标。另一种是针对快速运动目标的检测问题，提出了基于标记的多尺度分水岭视频目标分割算法，该算法通过对帧差图像处理获得用于梯度图像的标记，然后进行标记分水岭变换，克服了传统分水岭算法容易产生过分割的缺点，得到了具有精确边界的快速运动目标。其次，在动态图像目标跟踪方面提出了两种算法。一种是针对运动目标跟踪容易受噪声影响及跟踪时间过长的问题，提出了改进的hausdorff视频目标跟踪方法，该算法以运动目标分割结果为初始模板，通过运动估计减少跟踪匹配时间，利用目标边缘二值图转换为多值图来重新分配权重及消除随机噪声干扰，克服了传统Hausdorff易受随机噪声干扰的不足，能够准确快速的跟踪运动目标。另一种是针对传统的基于颜色的粒子滤波算法在复杂背景、光照改变、目标与背景颜色相似等条件下容易出现误跟踪现象，提出了融合结构信息和尺度不变特征变换(SIFT)算法的多信息融合粒子滤波跟踪算法，在一定程度上克服了传统基于颜色的粒子滤波算法的缺点，提高了跟踪的稳定性和精度。最后，利用研究的目标跟踪算法进行了鱼类游动跟踪实验，并设定了鱼类运动的行为参数，通过对鱼类运动的行为参数进行分析，达到对水质环境污染判断的目的。实验结果表明，从动态图像处理中获得的鱼类运动特征参数统计曲线能够很好的评价水质污染的异常情况，达到提前预警、保护水质环境安全的目的。