高速运动物体具有速度快、运动非线性等特点,对于高速运动物体的跟踪具有广泛的应用场景,如生物医学、能源化工、军事目标检测与拦截等。虽然目前众多学者在高速运动物体跟踪领域的研究取得了一定成果。Camshift是Meanshift的改进算法,解决了跟踪框无法变化的问题,同时利用HSV代替RGB,一定程度的解决了光线干扰的问题。但是对于高速运动物体的跟踪,使用Camshift算法会遇到两个问题,一是Camshift仅使用颜色直方图,对于无人机或者赛车等高速运动物体而言,当目标自身旋转时,对目标的跟踪效果变差;二是在实际应用中会出现目标被遮挡的问题,影响跟踪的准确度。为了解决上述问题,本文的主要研究内容如下:（1）研究了高速运动物体目标检测与跟踪的方法,设计了一个目标检测、跟踪以及测距的系统,系统包含视频流处理、单目测距、目标检测、目标跟踪等模块,实现了对高速运动物体的跟踪与测距。（2）针对与相机的距离较近的高速运动赛车,提出基于相机位姿角的相似三角形测距算法。通过降低相机姿态角对单目测距的影响,并结合高速运动物体的图像特点,解决了高速运动物体测距结果不准确的问题。实验结果表明,通过降低相机姿态角的影响可以有效的提高测距方法的准确性。（3）提出基于HLBP的Camshift跟踪算法。针对在跟踪高速运动物体时遇到的光线变化问题,将LBP特征与Haar特征融合得到HLBP特征,作为目标匹配的特征。当光线变化时,利用Camshift的颜色特征直方图解决跟踪失败问题;当目标发生旋转时,利用HLBP的旋转不变性解决跟踪失败问题,并采用自适应方法来针对两个特征的权值问题,实现目标跟踪。实验结果表明,采用HLBP特征可以有效的解决目标旋转的问题。（4）融合Kalman与Camshift算法。针对在跟踪高速运动物体时遇到的遮挡问题,采用卡尔曼滤波方法（Kalman）进行目标预测,并利用巴氏距离判断目标被遮挡的程度,解决了跟踪失败的问题。实验结果表明,室外环境下目标被遮挡时,Klaman滤波算法与Camshift算法的融合方法可以有效地提高算法的抗遮挡能力。（5）在高速运动物体测距与跟踪系统中,利用改进后的Camshift算法对无人机与赛车进行跟踪实验,在真实场景下对算法进行检验,证明了所提方法的有效性。