近年来,计算机视觉(Computer Vision,CV)作为一个备受关注的研究领域得到了迅速发展。对图像中特定的目标进行检测和跟踪,是计算机视觉领域中最基本也是最重要的课题之一。良好的目标跟踪方案能够使机器更好地“感知”图像并做出相应“决策”。对目标的检测和跟踪在数学角度上是一个动态优化的过程,即在图像序列中搜索或预测出目标当前的最佳位置。差分进化算法(Differential Evolution,DE)作为智能优化领域中新兴的优化算法,得到越来越广泛的应用。DE算法在解决各种科学和工程的优化问题上,具有结构简单、并行迭代、自适应搜索等优点。但由于DE算法本身存在进化停滞、早熟收敛等问题,在具体的应用中其优化能力受到一定的限制。因此,本课题着力于对DE算法进行改进研究,以更好地应用于目标的跟踪算法中。首先,在DE算法的变异阶段引入两个包含淘汰个体的差分向量,作为DE算法拓展的两个搜索方向。淘汰个体的使用丰富了种群在进化后期的多样性,进化速度得到提升。其次,为进一步挖掘淘汰个体的信息价值,在种群进化的后期构建一个辅助种群,来增加被淘汰个体的利用率。辅助种群的规模可根据原种群的进化情况动态地调整。改进的算法在提高收敛精度的同时,收敛性能同样良好。最后,将改进的DE算法具体应用到目标的预测定位中。为应对复杂多变的跟踪场景,本文对序列图像进行预处理,并采用自适应的混合高斯模型(Gaussian Mixture Model,GMM)建立背景模型。在GMM模型的更新上也做了一定的改进,以提高跟踪算法的实时性和鲁棒性。跟踪实验结果显示,本文的跟踪方案在多个视频测试集中都能跟踪成功,且能应对诸多复杂环境和干扰因素。