目标跟踪是智能视频分析研究领域内备受关注的关键课题之一,在安全监测、交通监控、视频摘要、人机交互、军事、车辆导航等应用领域都具有极其重要的作用,但面对复杂、多变的自然场景,在兼顾鲁棒性和计算效率上仍面临挑战。本论文对比分析了主流目标跟踪算法,选择基于RPT目标跟踪算法进行算法研发。通过正态分布概率模型构建目标分块,再从目标分块的灰度图像中提取31维FHOG特征,利用循环矩阵和傅里叶变换的特性,将计算转换至频域进行,而后通过核相关计算和闭式解模型对目标分块进行快速定位,并训练和更新模型,最后利用所有目标分块的跟踪和运动信息进行投票、筛选,达到目标跟踪的目的。为了提高目标跟踪算法的计算效率,分析了算法实现中各模块的执行时间及可并行性,在GPU平台上利用CUDA技术,针对执行时间较多的FHOG特征提取、核相关计算、模型训练与更新等模块,设计相应的并行计算优化方法,实现了基于GPU的目标跟踪算法并行优化。通过实验表明,本论文设计的GPU并行计算优化方法在维持跟踪准确度的同时提高了跟踪的执行速度,与CPU串行实现相比,GPU优化实现的加速比最高可达6.66倍,具有较好的工程应用价值。