目标跟踪是指在连续的视频图像序列中，根据运动目标模板的某些特征，采用特定的度量方法，在每帧视频图像中搜索并依据一定的准则确定目标所在的位置和状态。本文在对多种目标跟踪方法进行分析的基础之上，重点对基于学习的目标跟踪方法进行了研究。人工神经网络具有大规模非线性并行分布式处理的能力，并且具有很强的不确定信息处理能力，因此在图像匹配中得到了广泛的应用，在提高算法实时性的同时，其高度的容错能力大大降低对图像质量的要求。针对视频图像中目标状态的不断变化，本文提出了基于仿生模式识别的目标跟踪算法，依据多权值神经网络强大的类内泛化能力，通过对训练样本特征采用基于二权值的超香肠神经网络进行覆盖式训练，完成了对目标特征的学习和记忆，采用Manhattan距离实现视频图像中目标的搜索和定位。实验表明该算法可以实现大尺度大角度变化目标的稳定跟踪，并具有良好的鲁棒性。基于“最佳分类”的BP神经网络具有很强的泛化推广能力，但是少量的训练样本可能带来BP神经网络学习力不足的问题。针对这个问题，本文提出集成神经网络模型，该模型通过多权值神经网络的类内泛化能力增强了BP神经网络的泛化推广能力。本文将DCT降维与集成神经网络模型结合起来，实现了基于集成神经网络的目标跟踪算法。经过多次目标识别实验表明，该模型有效了提高了BP神经网络的识别率。将模型应用于目标跟踪，在少量的训练样本下实现了目标的稳定跟踪，并具有较好的抗噪声能力和抗模糊能力。