如果在一帧图像中给出一个定义了目标的边界框,我们的目的就是自动检测边界框内的目标并在之后的视频帧中判断该目标是否可见以及目标在可见情况下的相关信息。这种对视频中的兴趣目标进行跟踪的研究课题很具挑战性,该课题的研究在人机交互和军事领域有很大的应用前景。当前比较先进的追踪方法在利用检测器进行跟踪方面表现出了较强的自适应能力,但是这些检测器的分类检测过程往往需要关于目标的大量先验知识,并且当目标以一种新的状态出现时检测器将无法正确识别该目标。本文以视频中的单个兴趣目标为研究对象,以实现对单个目标的长时间跟踪为目的,对目标的跟踪和检测算法进行了较深入的研究。针对跟踪过程中遇到的跟踪算法无法对图像中的目标及背景的变化进行自适应的问题,本文提出了一种跟踪器与检测器相结合的跟踪算法来克服这些问题。在目标跟踪过程中,跟踪器与检测器协同工作,基于半监督学习的在线学习算法对检测器的训练样本进行实时更新,使跟踪算法具备对目标和环境变化的自适应能力。论文的主要工作如下：(1)跟踪器的实现。采用金字塔Lucas-Kanade光流跟踪算法实现初始阶段的目标跟踪,在整个跟踪过程中与检测器并行运行。根据提出的光流逆跟踪验证算法,结合归一化互相关算法对跟踪点进行的选择,并验证跟踪器的状态。(2)检测器的实现。级联检测器的构成模块包括：前景检测,方差滤波器,集合分类器,模版匹配。主要研究了集合分类器的实现——基于二元特征的随机蕨算法,以及基于重合度测量的模板匹配算法。最后利用非极大值抑制算法得到检测器最终输出结果。(3)分类器的在线自助提升算法。通过基于半监督学习的分类器在线提升算法对标记样本及未标记样本进行挖掘,更新分类器及匹配模板,提高了集合分类器和模板匹配的精度,使检测器对目标及背景的变化形成自适应能力,实现持续、有效的目标跟踪。(4)跟踪结果融合与验证。通过融合算法对跟踪器和检测器的结果进行融合,对融合结果进行验证,得出最终跟踪结果。