目标跟踪技术是计算机视觉研究领域中最活跃的研究课题之一。随着现代计算机和信息技术的飞速发展及图形识别算法的革命性改进,目标的实时追踪技术脱颖而出,在军事国防、交通监视、天文预测、智能监控等领域有着非常重要的实用价值。跟踪技术中常用到粒子滤波器。该方法为一种非线性滤波算法。用蒙特卡罗方法计算出粒子权值的均值从而得到跟踪目标某一时刻的位置。粒子滤波器在处理非刚体运动目标跟踪问题方面有独到的优势,但在实时处理过程中,会出现如下三个问题:一、粒子样本在迭带计算过程中,会逐渐出现粒子枯竭并丧失粒子多样性,从而导致失跟现像;二、粒子权值是通过观测函数计算的,但是观测值要受环境噪声影响,如背景混乱或跟踪目标变形等,从而使粒子权值出现误差导致失跟现像;三、大量增加粒子数量可解决(1)中的问题,但是随之而来的是计算复杂度的剧增,因而会影响跟踪的实效性。针对以上三个问题,本文对粒子跟踪算法进行了实质性改进与增强,提出了支持向量回归机(Support Vector Regression,简称SVR)对非刚体目标的跟踪算法。支持向量回归是一种统计学习方法,能够通过样本学习进行函数估计,用于重新估计跟踪粒子的权值,以消除环境噪声带来的误差并保持粒子的多样性。本文的主要工作为:一、研究了支持向量回归对噪声的抑制原理,并通过实验得出不同参数设置时支持向量回归对噪声的抑制效果:二、在跟踪框架中加入支持向量回归方法重估粒子权值,对足球比赛视频中的运动员进行实时跟踪,用实验对比了使用和未使用该方法对跟踪目标的变形、遮挡等情况的视频处理结果,并给出了相应的粒子权值分布图;三、由于SVR粒子滤波器中的粒子为独立同分布适合于分布计算的特点,采用分布计算策略来提高系统效率。本研究在在.Net分布计算环境中实现了对大量跟踪粒子的分布处理,并给出了对足球比赛中的运动员进行实时跟踪的实验结果。