人脸跟踪是视频交互技术的重要分支，在人机交互，人脸识别，机器人视觉以及视频监控等方面具有十分广泛的应用。人脸跟踪，就是对图像序列进行检测是否存在人脸，若存在人脸，则对人脸进行提取，跟踪。如何准确的检测人脸，精确以及稳定的跟踪视频图像中的人脸，是人脸跟踪中的重点。在人脸检测方面，根据传统Adaboost算法检测速度快，但是检测的精确率不高的问题，提出结合肤色与改进Adaboost的方法用于人脸检测，先利用肤色过滤掉背景信息的干扰，减少计算量，提高检测速度，然后在肤色区域中利用快速积分图提取人脸的Haar特征，接着使用阈值设定的方法对传统的Adaboost算法进行改进，并将每次检测的最优分类器级联形成最终的强分类器，通过强分类器对Haar特征判别，检测出人脸部分。实验证明该算法有效的提高了人脸检测的准确率，在单人脸和多人脸的图像中都能进行有效的检测。在人脸跟踪方面，根据传统粒子滤波跟踪稳定性不高的特点，本文在计算粒子颜色直方图的时候，引入了核函数，采用核函数加权颜色直方图。有效的提高了人脸跟踪的稳定性。为了解决基于肤色的跟踪方法对于光照影响以及人脸旋转问题的鲁棒性不高的问题，本文采用人脸轮廓作为跟踪的第二线索，在肤色跟踪不稳定的情况下采用轮廓进行跟踪一帧，然后返回颜色跟踪。实验证明，这个方法能够在光照变化、人脸旋转、以及人脸部分遮挡的情况下的人脸跟踪。传统的粒子滤波方法中建议分布是直接采用先验概率密度，其与后验概率密度具有较大的差距。在一些精度要求较高的场合，容易跟丢目标。因此，本文引入了改进的GM（1,1）模型，结合预测的结果产生建议分布。使得建议分布更加逼近于后验概率密度，因此在人脸短暂的几帧全遮挡的情况中，本文算法可以实现有效的跟踪。最后，本文在重要性采样环节根据粒子权值进行采样。对于粒子权值较大的采样的点数比较多，而粒子权值较小的则采样的点数比较小。这样有效的解决了跟踪过程中粒子退化的问题。