视频图像的目标自学习与定位是计算机视觉的一个重要组成部分，已在场景监控、智能交通等很多领域得到了广泛应用。本文基于目标驱逐平台，利用视频图像对目标进行识别与跟踪。　　目标定位与跟踪的基本思想是在图像序列中根据视频信息在空间和时间上的相关性，确定目标在每一帧的位置。在静态背景下，只有单个运动物体时，利用帧间差分法和背景差分法自动识别目标。实验表明，相较于背景差分法，帧间差分法能较准确地检测出运动目标。有多个运动物体时，通过帧间差分法得到运动物体，不能分离出目标。　　在动态背景下，借助鼠标点击，人为选择需要定位的目标。本文利用区域生长法得到目标物体，然后进行目标自学习，使用Mean Shift算法、Mean Shift算法与卡尔曼滤波算法相结合的方法、粒子滤波算法对目标进行定位与跟踪。　　Mean Shift算法通过建立目标模型，计算出目标模型与候选模型的巴氏系数，使得巴氏系数取得最大值，从而找出与目标模板最相似的候选区域，确定目标在当前帧中的位置。实验发现在某些帧中目标的起始位置不理想，导致Mean Shift算法定位效果不佳。为此，当巴氏系数小于某个阈值时，采用卡尔曼滤波算法进行预测，使用预测得到的目标信息再进行Mean Shift迭代。改进后的算法相对能较稳健地定位目标，但算法处理时间较长。为了得到更好的效果，本文采用粒子滤波算法对目标进行定位。实验证明粒子滤波算法在一定程度上满足了实时性和鲁棒性的要求。