进入二十一世纪以来,计算机视觉领域的研究与应用方兴未艾。视觉目标跟踪技术已经成功应用于视频监控、安防、无人机、无人驾驶汽车等领域中。因此,视觉跟踪系统对目标跟踪算法的跟踪精度和运算速度的要求日益提高。本论文围绕目标跟踪算法以及基于GPU的并行计算展开研究。本文首先对国内外先进的目标跟踪算法进行了综述,核化相关滤波算法针对运动、光照鲁棒性强,而对形变、旋转鲁棒性差;而干扰因子感知算法则正好相反。为结合它们的互补优势,提出了将干扰因子感知算法和核化相关滤波算法先串联、再和核化相关滤波算法并联的并联跟踪算法。同时为了弥补并联跟踪算法应对尺度变化的不足,添加了尺度滤波器进行尺度预测。利用标准测试集OTB-100进行测试,并取其中30个含有特定跟踪难点的序列的跟踪结果进行对比。实验结果证明了并联跟踪算法在跟踪成功率和跟踪精度的中心位置误差指标上明显优于两个子算法,并且有效结合了两者的互补优势,能同时处理好尺度变化、旋转、运动等跟踪难点。然后,为了提高目标跟踪算法的计算速度,针对GPU的统一计算设备构架(CUDA),对所设计的并联算法进行优化设计。针对候选框分数计算模块,使用一维线程直接将原有流程并行化;针对非极大值抑制模块,重新设计了工作流程,将原来串行的循环结构,变成了适合并行的分数计算、求最值、全局比较三个步骤,并使用并行归约方法来加快求最值计算;针对FHOG特征提取模块,则按照程序流程分为像素梯度计算、单元能量统计、单元梯度直方图计算三个步骤,以像素或单元为基础进行并行化;针对核相关计算模块,则分解为对两个三维数据求对应元素平方和、点积、负指数三个步骤,将数据看成多通道矩阵,对应组织二维或者三维线程,完成对应计算。最后,在GPU的CUDA平台上,针对并联跟踪算法的优化设计完成了验证实验。针对四个模块分别列出了在CPU、GPU上的运行时间和加速比,总结了各个模块加速比的变化趋势和影响因素。针对并联跟踪算法整体完成了验证实验,实现了最高3.6倍的加速比。