图像已经成为信息化时代下人们获取信息的一种必要手段,如何利用图像处理技术获取外界信息成为国内外研究者重点关注的一类问题。尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法因其在图像尺度变化、旋转等状况下的鲁棒性和独特性在特征匹配中得到了广泛的应用,然而该算法在特征点生成时效性和匹配精度上仍有一定的局限性。本文针对计算机图像处理中目标识别和目标跟踪两大研究方向,引入经典的SIFT算法的思想并对其进行优化,设计了改进的目标匹配和运动目标跟踪算法。本论文的主要研究内容包括:(1)使用体现图像信息量的图像熵进行关键点阈值判断,设计了自适应的关键点阈值调整方法;(2)引入基于直方图距离计算的EMD距离,同时基于SIFT算法特性,将改进EMD算法与多梯度方向SIFT特征点相结合进行距离的比对和运算的剪枝;(3)针对于多目标识别,设计了基于SIFT特征点双向匹配的改进算法;(4)设计一种融合SIFT向量和DBSCAN聚类的方法,以替代TLD算法中的跟踪模块。且对TLD算法检测模块进行调整。根据上述设计思路,本文实现了基于改进的SIFT算法的目标识别和目标跟踪算法,并通过测试数据集对所设计的算法进行了验证。实验结果表明本文方法能够(1)较好的解决图像匹配中多数特征点无意义匹配的问题;(2)较好的解决了匹配过程中诸多场景下欧氏距离不适用的问题;(3)实现多目标场景中的识别检测;(4)较好的解决TLD算法的跟踪模块在运动目标长期跟踪中难以保持鲁棒跟踪的问题。本文所设计的方法,对经典的SIFT算法的不足之处做出了针对性的改进,不仅提高了图像目标的的匹配准确度,并且运算效率相对于原算法也有了较好的进步,在目标的识别和跟踪应用中具有更好的适用性。