随着近年来人工智能的兴起,目标跟踪在智能看护、视频监控及军事领域等发挥着越来越重要的作用。然而由于现实场景下的环境比较复杂,目标跟踪依然存在很多难题亟待解决,如:遮挡、光照变化、相似背景、运动模糊、超出视野等等,这使得跟踪仍难以在现实场景中实现。本文主要分析和研究了适用于长时间跟踪且具有实时性的TLD（Tracking-Learning-Detection）算法,并在该框架的基础上针对光照变化、遮挡和相似背景等进行改进,提出了fDS-TLD算法。本文针对原有算法中跟踪模块算法难以应对光照变化、遮挡及相似背景等情况,提出了一种基于快速判别尺度空间的TLD改进算法。将跟踪性能更好,具有位置和尺度双重滤波器的快速判别尺度空间算法对原跟踪模块的光流法进行替换,从而提高算法的整体性能。并且,在进行算法替换之后采用了新的跟踪失败检测机制,使替换算法与TLD框架更加融合。针对算法改进之后对于遮挡目标仍能跟踪时,检测模块正样本混入遮挡样本从而导致目标重新出现时的漂移问题,本文采用感知哈希算法设计了遮挡判别机制。该机制对跟踪成功要传入学习模块的目标样本进行判断,只有当判断为无遮挡时,才将其作为正样本对检测模块更新,否则不进行更新,从而保证检测模块正样本的可靠性,提高检测器性能。针对检测模块在检测时采用全局扫描的方式导致检测模块耗时过多的问题,本文采用在检测模块之前加入卡尔曼滤波的方法先对目标可能存在的区域进行预测,然后在预测范围之内再进行检测,可以减少很多对于背景图像块的无意义检测,从而提高检测速度。同时为了保证检测模块原有的检测性能,在检测模块检测失败时重新进行全局扫描以避免卡尔曼滤波的不准确性。在多数情况下,检测模块均能检测到目标,因此总体来看,此种方式加快了整体算法的运行速度。为了验证改进算法的有效性,本文在OTB-100数据集中与原TLD算法、fDSST算法、KCF算法及LMCF算法进行了对比实验。实验表明,本文算法在跟踪精度上比原TLD算法高出25.5%,在跟踪成功率上高出30.3%,且与其他算法相比也有一定的提高,同时在跟踪速度上也达到了 25.63fps,能够满足实时性要求,证明了本文算法的鲁棒性、准确性和可行性。