序列图像的目标跟踪就是对连续图像序列中的每帧图像进行目标定位与目标跟踪。首先锁定待跟踪的目标,然后根据实际需求对目标采取相应的响应措施。本文在对多种目标跟踪算法进行学习和仿真的基础上,重点研究了两种不同的跟踪算法,有效解决了目标跟踪过程中存在的不同问题。就复杂背景下灰度图像的单目标跟踪问题,本文研究了基于时域的灰度模板相关匹配跟踪算法和基于频域的相位相关算法。为了解决跟踪过程中存在的目标尺寸迅速变大,并且可能伴有旋转的问题,本文提出一种将加权的去均值归一化互相关(WNCC)算法和基于全相位的Fourier-Mellin变换相结合的目标跟踪算法,该算法具有旋转、尺度不变性,且抗噪声性能较好,在实验中取得了良好的效果,实现了对目标的稳定跟踪。人工神经网络具有非线性大规模并行分布式处理的特点,并且具有很强的不确定性信息处理能力。如果将其用于图像匹配,不仅可以提高算法的实时性,其高度容错性也大大降低了算法对图像质量的要求,从而提高了整个跟踪系统的性能。本文将PCA算法和BP神经网络结合起来,设计了基于BP神经网络的图像目标分类器,提出一种基于BP神经网络的目标跟踪算法,将其应用到复杂背景下的目标跟踪中。仿真实验结果证明该算法是可行的,且具有良好的鲁棒性。