计算机视觉是通过计算机模拟来代替人类大脑对周围的环境进行感知和理解,计算机视觉中的目标跟踪是其中的一个非常重要的研究方向,在实际生活中有着重要的应用,已经被广泛应用到智能监控、汽车导航、医学影像分析等工程中。仿生模式识别以―认识‖事物为主,在高维空间中通过多权值神经网络对样本进行覆盖,为目标跟踪提供了新的方法。通过研究仿生模式识别理论、同源连续性原理、多权值神经网络、传统的仿生模式识别目标跟踪算法,结合实际应用,针对传统仿生模式识别目标跟踪算法只利用训练样本的灰度特征的缺点,提出了融合图像HOG特征和SIFT特征的仿生模式识别目标跟踪算法,在灰度特征中分别加入HOG和SIFT特征,利用HOG和SIFT特征的特性可有效抵抗光照和形变的影响。通过理论分析和实验对比,验证了本文算法相比传统算法更加精确和稳定。鉴于离线学习固定的仿生神经网络在其覆盖范围之外的泛化能力弱,我们研究了在线学习算法,并将其应用到融合图像HOG和SIFT特征的仿生模式识别目标跟踪算法中。利用预测方式扩展得到训练样本集,解决了离线模式下需要挑选大量训练样本的缺点,构建超香肠神经网络来覆盖,通过最小距离分类器判断目标位置,目标发生形变时可以实时地更新网络。通过实验验证了该算法能够在实际多种复杂情况下稳定而精确地跟踪到目标。