近些年来计算机视觉应用不断推广普及。以智能视频监控，汽车辅助驾驶，工业机器人为代表的计算机视觉产品极大方便了人们的生活，提高了生产效率。计算机视觉系统可以分为两个层次：底层包括图像背景处理，目标检测与跟踪；顶层包括目标识别分类，行为理解等。目标跟踪作为计算机视觉应用的底层系统发挥着关键作用，跟踪性能直接影响系统运行。目前针对于视频序列的目标跟踪问题科研人员提出了多种解决方案，从不同角度实现。目标跟踪算法可以分为基于数据关联和滤波技术的跟踪算法和基于分类的跟踪算法。基于数据关联和滤波技术的跟踪算法将跟踪作为状态空间中的估计问题，利用贝叶斯理论实现状态的预测，通过求解状态方程实现跟踪。Kalman滤波与粒子滤波是两种典型的滤波跟踪方法。基于目标分类的跟踪以分类算法为核心，将目标跟踪作为一种二值分类问题，采用组合学习的方式从特征池中挑选出最优的若干特征组成分类器，利用分类器搜索目标的位置。传统的分类算法基于离线数据集合训练分类器，分类器固定，对于分类目标不确定，目标由于视角和尺度、非刚性等原因存在变化的情况，分类效果不佳。在线学习算法的提出使分类器能够根据动态数据增量更新，在一般场景下实现目标跟踪，因此基于目标分类的跟踪算法逐渐成为热点。本文总结分析了基于数据关联和滤波技术的目标跟踪算法与基于目标分类的目标跟踪算法的基本理论。介绍了贝叶斯滤波理论、Kalman滤波理论、粒子滤波理论与Online Boosting算法。通过分析对比各类跟踪算法的优势与挑战，本文提出一种结合目标运动信息与Haar特征分类器的跟踪算法。Kalman滤波器作为一种滤波模型用于建模目标运动信息，预测目标下一时刻可能出现的位置。Online Boosting算法能够建模目标Haar特征信息并利用目标运动过程中产生的最新样本数据在线更新分类器，保证分类器性能。本文算法首先通过Kalman滤波器预测目标的先验位置，然后以该位置为中心，在目标可能出现的位置周围搜索使分类器具有最高置信度的区域，其中心坐标作为Kalman滤波器的观测值，使用Kalman滤波器修正观测值得到目标位置的最优估计，最后采用Online Boosting算法在线更新分类器。本文最后将基于Haar特征分类器的跟踪算法与传统基于Online Boosting的跟踪算法进行比较实验。实验表明本文算法能够稳定地跟踪目标，对目标的形态变化不敏感，在出现同类目标遮挡干扰的情况下，跟踪效果优于传统的基于Online Boosting的跟踪算法。算法运行时间复杂度较小，能够作为实时计算机视觉应用的底层系统。