目标跟踪技术隶属计算机视觉，是图像处理领域研究的热点问题之一，其在战场侦察、电视制导、智能监督等领域有重要应用。传统跟踪算法中，由于目标旋转、尺度变换、遮挡、光照变化以及机载相机对焦、晃动导致的观测信息变化，致使跟踪能力下降。虽然近年来众多学者对目标跟踪技术进行研究，仍无法很好解决上述问题，因此仍具有进一步研究的价值。　　论文以电视跟踪系统为背景，通过实验分析传统跟踪算法（质心跟踪、相关跟踪）的弊端，提出以支持向量机为框架的分类跟踪算法，重点研究支持向量分类器对目标学习以及重新锁定目标的能力。基于支持向量机对小样本数据学习的能力，将目标跟踪归结于对跟踪波门中特征分类问题。增加跟踪中目标特征类型和数量，提高目标判断唯一性，克服对比度较差的复杂背景环境的问题;通过实时学习更新目标的新特征，兼容相关跟踪的模板刷新问题。　　基于机器学习理论，将支持向量机设计为闭环学习算法。支持向量机经由手动或检测算法确定的目标训练后，从视频后续建立的测试数据中计算新支持向量添加入原有的训练集中，实现对选定目标的持续学习，从而克服目标旋转、尺度变换等问题。支持向量机自身算法复杂度高，为避免数据冗余造成时间浪费，算法充分利用支持向量机处理高维数据的优势，提取目标及背景的线、边缘、对角、中心等多个特征构成多维行向量，作为支持向量分类器的训练数据。针对空对地目标跟踪中树木、薄雾遮挡等自然物遮挡问题，在行向量中加入全局哈尔特征，利用哈尔特征中减法运算屏蔽均匀遮挡物，实现遮挡物干扰下的准确跟踪。　　核函数是支持向量机的精髓，在本论文中的应用主要有两个方面:一是利用多种核函数实现输入空间至特征空间的转化，提高支持向量机分类精度，采用IRIS数据进行同维度向量仿真，将抽象分类过程具体化并确定核函数参数;二是采用核函数对视频序列中图像评价，实现支持向量数据库与图像的快速匹配。经过实验验证，采用仿真确定的核函数参数，在确保高精度跟踪的前提下，能有效的提高的算法的实时性。　　本论文试图从传统跟踪算法着手，解决跟踪过程中由于目标融合、遮挡等问题导致跟踪精度下降或跟踪失败问题。对分类跟踪算法这一发展趋势进行了研究、分析与展望。