针对传统目标边缘识别算法存在的边缘识别率低、准确性差的缺陷以及目标跟踪算法在光照变化及复杂背景干扰情况下不能准确跟踪目标的问题。在深入分析了经典边缘提取算子、基于细胞神经网络图像边缘识别算法以及基本Camshift跟踪算法和多特征融合跟踪算法原理的基础上,设计了如下的改进方法,具体的创新内容如下:为了提高目标边缘识别的准确性,从给定目标图像中提取出更多的纹理细节信息,提出了一种基于分数阶控制模板的新型忆阻细胞神经网络模型。用忆阻器替代细胞神经网络中的状态电阻,在细胞神经网络整个信息处理过程中保持忆阻器的记忆特性,利用历史状态信息,提高网络的信息处理能力。另外,基于分数阶微积分理论,为新型忆阻细胞神经网络设计了分数阶控制模板,在目标图像边缘提取中提高中高频信息,保留更多的低频信息。通过对比实验验证了所提方法从各种不同图像中提取的边缘轮廓信息更加完整、清晰,而且纹理细节信息更加丰富,边缘图像的平均梯度与信息熵都可以显著提高。为了提高目标跟踪方法对背景信息、光照变化的抗干扰能力,提出了融合分数阶微分边缘特征信息的改进跟踪方法。将R-L分数阶微分边缘检测算子与Laplacian边缘检测算子进行融合,构造出对高、中频信息提升,而对低频信息能够非线性保留的混合边缘检测算子,并利用其实现目标模板及场景图像的边缘特征信息实时检测。基于目标色度特征和边缘特征两种直方图模型,分别建立场景图像的反向概率投影值,根据背景信息的动态变化,以抑制背景干扰信息为目的,建立自适应融合的反向概率投影图,提高算法对不确定环境变化信息的鲁棒性。实验结果表明,混合边缘检测算子能够提高边缘图像的信噪比,改善边缘提取的效果,跟踪方法能够在光照变化明显和与目标颜色相似背景等情况下有效实现目标准确识别与实时跟踪。