生物视觉系统在智能、操作、质量和功耗方面大大优于传统的数字系统,它们采用与传统的数字信号处理器完全不同的神经形态计算架构和原理来达到识别、检测和跟踪的目的。新型的仿生动态视觉传感相机(DVS)以低响应延迟,高动态范围和低功耗等优势表现出和生物视觉类似的巨大潜力,可以解决传统相机基于帧成像,信息冗余,难以捕捉快速运动目标的问题,实现低功耗和低延时运动轨迹检测与分析的研究目的,如跟踪导弹与飞机等高速运动物体、自动驾驶和安防监控等。传统图像传感器记录的是阵列中像素点在曝光时间内的总亮度值,而DVS则观察每个像素点的光强是否随时间有细微的变化,不同于“所有像素一起记录数据”的工作方式,DVS可以有效过滤背景冗余数据,对目标的运动轨迹产生详细的描述,解决传统目标跟踪算法在复杂背景下应用的难度。也就是说,无论外界环境是过亮还是过暗,DVS都可以提供目标运动的完整路径。基于此,本文采用了两种基于DVS位置事件的算法实现运动目标的轨迹检测与分析。第一种是本论文提出的位置事件相关性检测算法,该算法通过分析离散三维事件流携带的信息,观察到事件相机会对运动目标同时产生多个响应。因此该算法通过计算事件之间的相关性来保留相关事件,滤除无关事件,从而获得运动目标的位置。该算法的创新性包括,一方面,该算法直接对三维事件流进行计算,抛弃了帧的概念,保持DVS输出信号的原生性。另一方面,算法会同时处理多个事件,而不是对每一个输入事件循环计算,保证了目标的实时跟踪。位置事件相关性检测算法的原理简单,实时性高,但是可控性和泛化性较低。第二种算法根据光流本身携带运动信息的特性,实现了位置事件驱动光流的目标跟踪。主要贡献包括:第一,根据LIF神经元发放脉冲的特性对输入信号选择性激活,在跟踪速度上引入仿生LIF神经元,使得该算法有效过滤冗余事件,提高算法运行速度,克服无法实时跟踪的问题。第二,对于跟踪准确率的改进,分别在运动方向上使用高斯加权法和在运动幅度上使用低通加权法对光流矢量进行修正,克服了现有技术中跟踪精度低和跟踪目标易丢失的缺点,能够更加准确地实现目标跟踪,提高目标跟踪的鲁棒性。第三,算法在估计当前位置事件的运动矢量中,任意以位置事件驱动的非结构化信号都可以进行局部平面拟合,有效克服了传统相机丢失帧间信息导致目标跟踪不连续,无法适应任意实际场景中目标跟踪的缺点,使得该算法有较高的泛化性。最终将算法在多个真实场景下的目标跟踪中进行验证和比较,均得到了优良的性能。