在计算机视觉领域中,对处于复杂光线场景或者极端运动状态下的目标物体进行跟踪是一项重要且充满挑战的任务。相比于传统相机,基于事件相机的视觉感知系统更关注每个像素的光强变化,表现出了更加出色的感光能力,更低的延迟和更小的功耗。本文针对基于事件相机的运动目标跟踪问题展开研究,主要工作是基于相关滤波跟踪框架设计了一种针对于异步事件流的跟踪方案,具体包括外观模型建立和跟踪算法设计两部分。在外观模型建立部分,本文采用基于时间切片的方法对事件流进行预处理,将时间上连续的事件流进行切片,每个时间切片内的事件作为一个单独的事件簇。在事件簇内,基于事件的局部时空关系计算出每个事件的时间曲面特征,基于事件簇整体信息计算事件计数特征、时间戳特征,并将其拓展到局部空间。对于时间曲面,本文使用最邻近映射方法,将基于事件的特征转换为基于事件簇的特征。最后将这三种特征组合为一种联合特征作为整体事件簇的特征表达,并将其用于建立目标事件簇的外观模型。在跟踪算法设计部分,本文给出了一种“跟踪器+验证器”的跟踪方案。其中跟踪器利用外观模型提取事件簇的特征表达,然后基于相关滤波跟踪器预测目标位置。验证器则是利用目标所在区域的事件密度判断目标的运动状态,并且针对目标在某些运动状态下产生的事件过于稀疏的问题,使用并行融合方法将多个时间切片进融合,在避免时空特征混乱的情况下得到包含足够多信息的事件簇。在多时间切片融合期间,基于目标的运动轨迹建立运动模型,结合事件流的上下文来预测目标位置。在实验部分,本文基于事件相机搭建了用于采集事件流数据的软硬件平台。由于基于事件相机的感知系统主要用来应对复杂光线场景和快速运动的目标,所以本实验采集了一些普通相机难以处理的极端场景作为数据集,其中包括:低光照、快速运动、背景事件干扰、目标形变等。本文将跟踪算法在此数据集和公开数据集上进行了验证,并根据实验结果进行了数据分析。实验结果表明,本文的跟踪算法能够在普通相机难以处理的场景中有效的完成目标跟踪任务,并且在公开事件流数据集上表现出了比其它基于事件流的跟踪算法更好的跟踪效果。