随着信息时代的来临,运动目标跟踪成为计算机视觉领域的一个热点,在众多领域内具有广泛的应用价值。尽管已经提出众多运动目标跟踪算法,但是在实际跟踪过程中还是面临着许多困难,比如光照变化、遮挡、运动模糊、尺度变化、自身的变化等问题。因此,目标跟踪技术的发展仍然富有挑战性。深度学习理论和方法的出现为目标跟踪的研究提供了新的机遇,也是本文开展运动目标跟踪算法研究的主要理论框架。本文的主要内容如下:(1)研究了运动目标跟踪技术的基础知识。从目标跟踪的表示方法入手,了解目标跟踪的分类的基本知识和传统特征提取方法。(2)研究了卷积神经网络的基础理论。首先,在分析人工神经网络结构的基础上,介绍了卷积神经网络的结构特点、训练过程。其次,介绍了卷积神经网络特征提取的过程,对比传统特征提取和BP特征提取方法,效果明显优于这两种特征提取方法。(3)提出一种基于卷积神经网络的运动目标跟踪改进算法。基于卷积神经网络的运动目标跟踪算法是一种集深度特征提取、粒子滤波和分类器相结合的跟踪算法。首先,使用主成分分析技术(Principal Component Analysis,PCA)对局部图像数据集提取PCA特征向量,然后利用PCA特征向量初始化卷积神经网络以提取深度特征。最后,利用分类器分类、粒子滤波运动估计实现目标的识别与跟踪。实验结果表明,本文提出的运动目标跟踪改进算法可以克服跟踪过程中外界干扰和目标自身变化干扰,在准确率和成功率方面优于目前几种主流跟踪算法。