皮划艇(200m)静水运动于2012年伦敦奥运会被正式纳入比赛项目，此前作为非奥运比赛项目，国内外对皮划艇(200m)静水项目的关注较少，导致该项运动训练的技术资料欠缺。为了提高比赛成绩，我们需要对皮划艇静水运动的桨频数据进行测量并记录乃至桨频数据的对比。本文以机器视觉为手段，对皮划艇(200m)静水运动视频数据进行分析，提出了一套分析方案。其中主要算法有：皮划艇定位、皮划艇追踪、船桨的定位以及桨频的计算，主要内容如下：(1)皮划艇定位：在对目标进行定位时，由于目标自身特征、应用时环境的复杂性，获得良好的目标定位效果一直是研究的热点问题。本文研究的是静态背景下对皮划艇的定位检测，在分析了几种经典的目标检测方法优缺点的基础上，详细介绍了比较流行的基于学习的PCA方法对皮划艇进行定位检测，根据静态背景的皮划艇特性提出结合帧差法与皮划艇水平垂直方向积分投影的方法对待测图像皮划艇的边界定位检测并通过实验验证其可靠性。(2)视频序列中皮划艇的追踪：在前一章节皮划艇检测的基础上，利用视频序列的连续性对皮划艇进行追踪，简单介绍了目标追踪的算法，因Mean Shift使用简单，可以实现模式匹配的快速匹配的特点选择Mean Shift作为皮划艇追踪方法，由于Mean Shift采用灰度或者颜色作为特征对目标进行建模，当背景中存在与追踪目标的灰度或者颜色分布相似的物体时，会影响算法的检测效果。而互相关在理论上不受两幅图像间对比度，亮度线性差异的影响，特征稳定。因此，本文在分析了Mean Shift算法追踪原理的基础上，提出了融合互相关的Mean Shift，可以提高追踪目标特征的匹配程度，减少在背景复杂情况下皮划艇误匹配。但是归一化后的互相关没有简单的频域变换形式，导致互相关计算量非常大，同时由于归一化的相关性可以通过快速傅里叶变换提高效率，利用快速傅里叶变换处理图像的互相关。(3)船桨定位以及桨频的计算：在对皮划艇追踪的基础上，提出结合几何特征和轮廓信息的船桨定位方法，根据船桨与皮划艇船身之间的最近距离将追踪得到的皮划艇分为船桨与水面瞬间接触和船桨与水面非瞬间接触两种情况，通过计算运动员在连续两帧船桨与水面瞬间接触的时间，实现了对皮划艇的桨频计算。