计算机视觉（Computer Vision）是研究如何使计算机对图像数据产生智能化感知的一门学科。运动物体识别、检测与跟踪有广阔的运用前景，是计算机视觉研究的热点和重要领域。运动物体检测与跟踪算法不仅可以作为主要算法应用于视频监视、交通监管等方面，又能作为其他算法的基础应用于机器人技术、认证系统、人机交互等领域。同时，对运动物体检测与跟踪的研究能为更高层的计算机视觉分析提供基础的信息。因此，运动物体检测与跟踪一直是计算机视觉研究的热点和重要方向。经过几十年的研究，人们对这个问题从多个方面设计出了许多解决的方法。然而鉴于运动物体识别及跟踪问题的复杂性，在识别的精度及检测跟踪的实时性上仍存在很多难点，未有一种标准的方法能应用于所有的场景。例如传统的基于学习的分类器由于对特征的抽取计算量大，无法达到实时性要求。而一些跟踪的方法利用对帧间的差分来检测运动的图像块，却忽视了利用检测来缩小跟踪识别范围以降低时间复杂度的优势。本文首先总结分析了物体识别与跟踪技术有关的理论、算法及研究现状，特别是对基于统计学习的识别方法和运动预测的方法进行了详细的介绍和性能分析。接着，本文结合国内外研究成果的基础上，提出了一种基于特征学习及运动预测的物体识别及跟踪算法，并将其应用到一种基于HAAR特征和HOG特征的车辆识别和跟踪系统中。该系统能针对不同的特征的分类器组成级联分类器，利用运动预测模型提高车辆识别的实时性及准确性，能够适用于复杂场景下的车辆检测和跟踪，不受背景场景的限制。最后，本文介绍了利用基于特征学习及运动预测模型的跟踪算法设计的车辆检测系统，并且通过对不同天气及不同类型车辆进行实验，将实验结果进行了分析，比较了传统基于检测的跟踪算法及基于特征学习及运动预测模型算法的优劣。通过实验，可以验证基于特征学习及运动预测模型的识别跟踪算法在实时性及准确性上有优良的表现。同时，本文也对基于特征学习及运动预测模型的识别跟踪算法仍存在的问题进行了分析，特别是对误识别的情形进行了理论分析，也对未来的研究方向提出了建议与展望。综上，本文提出的基于车辆位置的实时预测模型，在保证识别精确度的前提下实现了对视频流的实时检测及跟踪处理。特别适合作为车辆辅助驾驶系统，也是自动驾驶技术的基础，有着广泛的应用价值。