运动目标识别是计算机视觉的一个基础理论,也是至关重要的一个分支,目标识别的结果直接影响后级图像处理的成功率。目标识别技术广泛应用于智能监控,军工航空,智慧医疗及人工智能等领域。随着人类的需求日益提高,图像信息量巨大,图像精确度高,图像处理系统的便捷性、可扩展性、可移植性、实时性和低延迟是当前迫切需要解决的问题。目前解决方案分为两类:一是从算法的本质入手,创新新算法或者优化已有算法,减少冗余、提高性能;二是改变实现算法的载体,针对传统计算机串行处理的机制,选择并行处理数据的系统平台来加速算法。本文提出一种纯硬件搭建的数据处理平台,利用FPGA（Field Programmable Gate Array）低功耗,并行异构和流水线处理数据的特性,将目标识别跟踪算法通过模块化设计在芯片中实现,以达到图像数据并行处理的目的。其主要工作内容如下:（1）折衷算法效果和工程实现两大需求点,选择算法简单且易于实现、抗噪能力强且定位精度高的sobel算子作为边缘检测的核心算法,其本质是设置阈值,根据每个方向上灰度跳变程度来综合判断出边缘轮廓,完成对于目标的特征提取。通过增加梯度计算模板,使得图像像素点在其各个方向上对应的灰度跳变信息更加全面,降低了传统sobel算子方向单一导致的边缘点误判的概率。借鉴中值滤波的思想,排序获取局部像素点的灰度中值,令其作为该局部区域的判别阈值,可遍历一帧完整的图像生成自适应阈值,从而弥补了传统sobel算子依靠人眼经验值来设定阈值的弊端,提高了算法的环境适应能力。（2）分析比较了主流运动目标检测跟踪算法的优劣势,设计了帧间差分法结合SAD（Sum of absolute differences）模板匹配的改进方案。帧间差分是寻找两帧图像中的差异作为运动目标,其实时性较高但获取目标图像不完整;而SAD算法是利用目标与邻域的位置相关性来进行有效判断,等效于根据已知目标模板,在未知图像中搜索相似度最高的图像作为目标,其目标信息较为完整,但其搜索过程造成大量的算法冗余。本文对两者进行优势互补,根据帧间差分获取的二值图像计算出质心位置,以质心为中心选取周围图像作为目标模板,填补了图像细节且完成一级粗匹配。在粗匹配区域进行SAD算法完成二级细匹配,提取最优目标实现追踪。（3）利用verilog硬件语言搭建系统平台,对图像采集、存储、图像处理（预处理、形态学和检测跟踪）和显示进行模块化设计。模拟强光、遮挡等实验场景来进行多次测试,通过在线仿真、效果图显示和工程数据的方式来验证上述改进算法的可行性和实时性。