凭借高速性并行性和灵活性可编程性等优点,联合变换相关器在目标识别领域具有广泛的应用前景。然而,经典的联合变换相关器存在两个缺点:第一,存在较强的零衍射级,使得输出面中相关输出的衍射效率较低,影响了相关峰的探测;第二,输出面中零级衍射峰的宽度较大,限制了输入面的目标图像与参考图像的大小和相对位置。因此,削弱或去除零级衍射,增强互相关峰的强度,提高相关性能成为设计各种新型联合变换相关器的依据。近年来,对联合变换相关器相关能力的改进主要集中在对输入面图像进行预处理和对联合功率谱进行非线性处理两方面。群体智能算法是一种启发于动物群体的行为而设计的算法,该算法模拟了动物的某些行为特征。对于数字图像而言,可以把像素比作数字生命赖以生存的资源。把“特征像素”称为“有效资源”,分布在图像环境中的数字生命称为“智能体”。智能体按照预先制定的系统规则移动、繁衍和进化,在完成了对有效资源的搜索后,寄居在图像环境中的智能体所刻画的就是数字图像本身所具有的某种特征。本文在分析总结当前改善联合变换相关输出性能的多种常用算法的基础上,提出了用群体智能算法处理联合变换相关器的输入面图像以改善相关输出性能,大量对比实验表明,群体智能算法对输出性能的改善优于其它算法。通过对联合变换相关器输出面互相关峰位置与输入面目标物和参考物相对位置之间的关系的深入研究,得出联合变换相关器具有平移不变性的结论。本文还将互相关峰值进行了定量分析,在此基础上,本文设计出了联合变换相关跟踪算法。该算法在跟踪目标的过程中不需要精确制作目标的模板,也不需要像传统的相关跟踪算法那样用模板分层匹配,只需将前帧图像作为参考图像与后帧的目标图像作一次联合变换相关即可求出后一帧中目标相对于前一帧中的参考物的位移量,通过对位移的补偿实现了对目标的跟踪。该算法考虑的是图像的整体特性,对细节的变化不敏感,即使是目标有少量的旋转和形变,该算法也能良好的跟踪目标。所以不需要频繁更换参考图像,与传统的相关跟踪相比,减少了更换模板的累积误差,降低了模板漂移的可能。