视频目标跟踪是国内外当前的热门研究方向之一，它是一种能够从图像序列中实时提取目标位置信息并自动跟踪目标的技术。视频目标跟踪在军事、医学、智能交通系统以及安全监控等方面有着广泛的应用和广阔的前景。 在机动目标运动过程中，状态噪声往往是具有一定相关性的有色噪声。已有的视频目标跟踪的研究成果，为方便计通常忽略这种相关性，假定状态噪声是白噪声。这与实际的机动目标状态有一定的偏差，容易造成在跟踪过程中丢失目标。本文基于上述背景，针对实拍的直升机模型视频，分析了目标状态噪声的相关性，对视频机动目标的检测和跟踪技术展开了如下研究。 首先采用最大类间方差法求取阈值，并对视频帧图像进行图像分割，得到包含目标和背景的二值化图像。针对由复杂背景以及光照变化、背景快速变化等各种原因所产生的虚假目标，采用连通域分割初步去除过大或过小的虚假目标。 接着，对二值图像中仍然存在的虚假目标，给出了基于图像处理结果的灰度关联和面积关联方法，并结合预测和滤波技术，采用最近邻关联、灰度关联和面积关联相结合的数据关联算法，有效地从二值图像中提取出真实目标。 然后，在CV模型的基础上，研究了基于两种不同概率分布的状态噪声的相关性：基于Singer模型零均值均匀分布的加速度噪声和基于“当前”统计模型瑞利分布的加速度噪声。利用状态噪声去相关的卡尔曼滤波算法对两种不同加速度分布的目标的运动状态进行预测和滤波，并与不考虑状态噪声相关性的卡尔曼滤波进行比较，仿真结果和误差分析证明了基于状态噪声去相关算法的预测和滤波精度都得到了提高。同时，在考虑测量噪声与状态噪声存在互相关性的条件下，对视频目标的测量数据进行了仿真测试，测试结果表明状态噪声与测量噪声间的互相关性较弱，对滤波和预测精度的影响很小。 最后，将数据关联算法和状态噪声去相关的卡尔曼滤波算法应用到实际的视频跟踪系统中，实现了对目标的连续稳定跟踪，证明了状态噪声去相关算法在视频目标跟踪中的有效性。