针对传统目标跟踪系统由于目标旋转、遮挡、尺度变化、变形以及光照变化等引起的跟踪精度低等缺点,本文将基于统计学习理论中的支持向量机(SVM)应用到目标跟踪领域中。该算法不仅能够自动检测和跟踪视场或图像中预先设定好的目标,而且克服了传统目标跟踪系统的缺陷。论述了将SVM应用到目标跟踪领域的算法原理及实现过程。为了将支持向量机跟踪算法与其它算法进行性能比较,实验中分别实现了重心和相关等传统跟踪算法及其改进算法。由于将图像像素值直接作为SVM训练器和分类器的输入数据,算法的计算量过大,从而导致跟踪精度较低。因此,提出了分别采用Gabor小波计算样本特征,然后使用能量函数、主分量分析(PCA)和AdaBoost算法挑选部分Gabor特征;通过PCA和线性判别分析(LDA)对输入的数据降维;计算Haar小波特征,用AdaBoost提取部分有代表性的特征共三种特征选择方法与SVM相结合进行目标跟踪的算法。实验结果表明,后一种特征提取方法具有较高的跟踪精度。在检测跟踪过程中,通过使用层叠检测算法,加快了目标跟踪的速度,使算法达到实时性成为可能。针对项目需求和算法的特点,设计完成了单数字信号处理器(DSP)高速目标跟踪系统硬件处理平台,并且已经成功应用到实际项目中。传统跟踪算法及其改进算法已成功地在此项目中运行,SVM算法还处于仿真阶段。由于SVM算法占用内存空间大,运行时间长等特点,单DSP处理平台不能满足实时性要