图像中的目标检测跟踪在社会各行业中得到了广泛应用,比如智能交通、军事目标打击、安防监控、人机交互等领域。对目标进行有效的检测跟踪是计算机视觉领域研究热点之一,而由于检测跟踪系统使用场景的不同,很多时候需要将算法移植到质量小、体积小、稳定性好的硬件平台,比如说DSP、FPGA等,这就对算法稳定性、准确性和实时性提出了较高要求,随着计算机硬件的不断发展,很多有效但复杂度高的算法得以实际应用。比如由于近年来GPU计算能力的大幅提高,深度学习得以快速发展,并在目标识别、人工智能领域取得了很多成果。本文采用了TI的DSP TMS320DM6437开发平台来进行运动目标的检测跟踪的实现,首先对比分析了常用的几种目标检测算法的特点,鉴于DM6437开发平台的数据处理能力,预先选取了三帧差法和混合高斯背景建模进行检测,经过实验发现在DM6437平台上,三帧差法的实时性远远优于混合高斯背景建模,而且抗噪能力也很强,于是我们选取三帧差法为我们的目标检测算法。然后对检测到的目标进行形态学处理后再通过滑窗的方法找到目标的初始位置,最后对目标进行跟踪。接着我们对比分析了常用的目标跟踪算法,质心跟踪、模板匹配以及Mean-shift跟踪算法,由于Mean-shift算法计算量相对较大,于是我们首先在Intel Core(TM)i5-4430 CPU 3.00GHZ的PC上实现Mean-shift对无人机的跟踪,实验表明,对于50×50的目标区域,处理速度为31.5F/s,可见Mean-shift算法在主频为600M的DM6437上是很难达到实时的,于是我们拟采用质心跟踪和模板匹配的方法,对于模板匹配,我们在DSP上实现了均值归一化积相关算法以及文献[51]对均值归一化积相关改进后的算法,通过实验我们发现两种方法都能取得较好跟踪效果并且有各自的特点。最后,因为上面所述目标检测跟踪算法在复杂的环境下难以取得理想的跟踪效果,于是本文研究了深度学习在目标检测跟踪中的应用,我们在Linux环境下,使用NVIDIA TITAN X GPU加速的PC上,实现了YOLO v2在复杂环境下对无人机的实时准确检测识别跟踪,取得很好效果,速度达到40F/s。