میدان های تصادفی شرطی یکی از مدل های گرافیکی قدرتمند هستند که در دسته مدل های تفکیکی جای می گیرند. این مدل ها توزیع احتمال برچسب به شرط مشاهدات را به صورت مستقیم مدل سازی کرده و بنابراین، نواقص مدل های مولد را، که توزیع مشترک برچسب و مشاهدات را با فرض مستقل بودن مشاهدات به شرط برچسب محاسبه می کنند، دارا نمی باشند. از آنجایی که میدان های تصادفی شرطی بدون جهت هستند، در حالت دوبعدی با توجه به ماهیت بدون جهت ارتباط پیکسل ها در تصویر به خوبی می توانند مسائل پردازش تصویر و بینایی ماشین را مدل سازی کنند. در این پایان نامه بر اساس فرضیه توانایی یادگیری دینامیک های حرکتی توسط میدان های تصادفی شرطی، یک الگوریتم ردیابی ارائه می گردد. در ابتدا با بررسی میدان های تصادفی شرطی و توابع ویژگی مختلف نشان داده می شود که در صورتی که توابع ویژگی به خوبی انتخاب گردند، این میدان ها می توانند دینامیک های حرکتی را فراگیرند. اثبات فرضیه توانایی یادگیری دینامیک های حرکتی در مرحله اول با فرض ثابت بودن سرعت هدف انجام می گیرد. با مشخص شدن قابلیت میدان تصادفی شرطی در یادگیری دینامیک های سرعت ثابت، این میدان تصادفی که دراین جا میدان تصادفی شرطی زمانی نام گذاری می گردد، توسط دینامیک های حرکتی دیگر مانند دینامیک های شتاب ثابت بررسی شده و توانایی یادگیری آن در دینامیک های مختلف به صورت عام نشان داده شده و اثبات می گردد. با نشان دادن قدرت و توانایی یادگیری میدان تصادفی شرطی زمانی در یادگیری دینامیک های حرکتی، الگوریتمی بر مبنای این میدان تصادفی شرطی بسط داده شده جهت ردیابی اهداف مختلف ارائه می گردد. الگوریتم ارائه شده با دنباله دادگان مختلف تصویر مورد آزمایش قرار گرفته و قدرت آن در ردیابی اهداف نمایش داده می شود. این میدان تصادفی شرطی زمانی جدید را می توان به منظور ردیابی تک هدف و یا چند هدف به صورت هم زمان مورد استفاده قرار داد. الگوریتم mean-shift جهت مقایسه بکار گرفته شده است. با توجه به این که الگوریتم shift mean- تنها توانایی ردیابی یک هدف را دارا می باشد، میدان تصادفی شرطی زمانی ارائه شده در حالت ردیابی تک هدف با این الگوریتم مقایسه شده است.