本文在对运动目标识别与跟踪算法分析的基础上，将新兴的基于GPU的单机并行计算技术用于运动目标识别与跟踪算法的研究中。主要研究了基于CUDA目标的预处理过程，传统运动目标的检测算法改进及其基于并行计算的运动目标检测，基于粒子滤波的目标跟踪算法。　　针对Roberts算子边缘检测和KNN滤波算法的运算精度不高，运算速度慢，实时性差等特点，提出了基于CUDA的两种改进算法。　　针对传统Lucas-Kanade光流估计算法的临界点漂移，使运动目标的边缘不固定等特点，提出了Lucas-Kanade光流模型的改进，并引入了全局优化思想和高斯滤波，实现目标检测；又分析了一种背景差分模型的改进。为了准确地识别运动目标，本文提出了用并行技术实现快速面向梯度的直方图(HOG)算法。　　针对基于粒子滤波的目标跟踪的运算量大、运算性能低，提出了基于CUDA的粒子滤波，并引入了直方图的粒子滤波，实现了运动目标的实时跟踪及多目标跟踪。