在智能驾驶及无人驾驶等已经成为炙手可热的技术的当代,对移动机器人的目标检测跟踪以及视觉SLAM算法的研究成为了一个很重要的研究方向。由于当前的目标检测跟踪技术受到采集设备的硬件及处理器等限制,还存在着检测速度不够快、跟踪精确程度不够高以及对环境变化较敏感等问题。人们根据生物视觉原理设计出一种新型的传感器——事件相机,该事件相机具有高动态、低数据冗余和低延迟等特点,比较适合实时目标检测跟踪系统。事件相机的工作原理是,当像素点接受光强发生改变大于一个阈值时,事件相机输出事件信息。如果像素点无光强改变或者光强改变在阈值范围内,传感器则保留之前记录的数据,这样系统的实时性和计算效率都会有很大的提高。本文针对事件相机对目标检测效果不够好的问题,提出了一种基于MLS曲面的事件相机目标检测算法。该算法利用基于事件的生命周期的光流法对采集到的事件信息进行处理,利用随机抽样一致性算法对局部平面进行拟合,提出了MLS曲面拟合数据的方法,减少了平面拟合所需的数据量,加入了正则化和边缘细化得到的平滑的轮廓图像,保证了结果的准确性。本文针对事件相机对目标跟踪速度不够快的问题,提出了一种实时性较高的基于改进FAST特征的事件相机目标跟踪算法,对FAST特征检测算法进行改进,提出了自适应FAST特征检测算法以提高抗噪性能及鲁棒性。利用rBRIEF描述子对特征进行描述,使算法具有旋转不变性,可使事件相机在高速旋转情况下很好地跟踪目标。本文通过实验验证了所提出的两种算法的性能。实验结果表明基于MLS曲面的事件相机目标检测算法具有较好的目标识别性能,其准确率及实时性都有所提升。通过在简单和复杂、平移和旋转等场景下的实验,验证了基于改进的FAST特征目标跟踪算法具有更好的鲁棒性和实时性。