近年来人工智能发展迅猛,而计算机视觉作为人工智能的一个重要领域,受到了研究人员的密切关注。目标跟踪作为计算机视觉领域的重要组成部分,在许多领域也都有着广泛的应用。然而,在实际的工业生产等复杂环境下的目标跟踪算法面临物体运动速度快、产品相似度高等具有挑战性的外部环境的干扰。因此在复杂背景中对移动物体进行有效跟踪是目前的一个研究难题。面对当前存在的问题,本文应用模板更新策略对移动物体跟踪算法进行研究,该策略的使用可以有效解决复杂背景下目标跟踪失败问题,有效提高算法的整体成功率和准确度。该策略的实施主要可分为以下3个过程:首先,对当前目标所处环境进行判断后本文使用所提模板更新策略。使用综合的响应值段、灰度直方图和APCEm值方法进行环境判断。若当前环境比较复杂便使用所提模板更新策略。使用快速的LK光流法预测目标下一帧可能出现的位置。之后在预测位置和目标当前位置处并行地进行目标检测,选择响应度更高的作为最终更新结果。反之,若当前环境正常,则使用原始模板进行跟踪。随后,将所提策略应用于粒子滤波类Diagnose算法和相关滤波类KCF算法和BACF算法中。在OTB2015数据集上进行实验验证,实验结果表明使用所提策略的DiagnoseM、KCFM和BACF_M算法相较各原算法在整体的成功率和精确度上均有显著提升,且在具有挑战性的旋转变化、光照变化和快速运动等情况下具有较强的跟踪鲁棒性,特别是在复杂背景下本文改进的跟踪算法优势明显。最后,使用优化的BACF_M算法对实际工业生产环境下的物体进行跟踪。本文自主采集复杂工业生产视频并进行相应预处理,最后使用所提BACF_M算法对工业视频序列进行跟踪。实验表明使用模板更新策略的BACF_M算法在实际的工业环境中具有更好的跟踪效果。表明本文所提策略对实际工业生产有积极影响。