视觉目标跟踪在计算机视觉中是一个不可忽视的科研重点与难点。由于跟踪过程中面临着遮挡、目标姿态尺度变化、摄影机抖动、目标快速运动等诸多挑战,已有的视频目标跟踪算法虽然数量较多,且各有所长,但仍存在着改进的潜力与空间。在众多跟踪算法中,TLD(Tracking-Learning-Detection)目标跟踪算法使用跟踪模块与检测模块协同的策略进行跟踪,并引入PN学习方法进行在线调整,实现了对单目标长期的跟踪,但该算法在目标发生遮挡时易出现错判现象。本文着重分析与研究了上述TLD目标跟踪算法,通过三个模块的相互配合,TLD算法形成值得借鉴的系统框架。其中跟踪模块通过LK光流法对下一帧目标的出现位置进行预测;检测模块使用滑动窗口扫描和级联分类器的机制进行筛选,得出下一帧中目标候选位置;学习模块引入P-N学习机制,对样本库中正负样本进行纠正和补充,使用精妙的整合策略综合前两个模块的结果进行决策,得到跟踪目标在当前帧的最终位置,并反馈给跟踪模块与检测模块。本文在TLD基础上,提出了一种基于特征重检的抗遮挡目标跟踪研究方法(TLD-D),通过引入特征重检环节,解决发生遮挡时因目标外观相似、背景聚类造成错判的问题,采用跟踪、检测、学习、再检测的策略。跟踪与检测协同,在线学习目标信息,获取最新轮廓特征;根据跟踪模块和检测模块对当前帧的计算状态,判断是否有遮挡现象,当发生遮挡时,提取出遮挡过程的“遮挡开始”和“遮挡结束”两个关键帧。在“遮挡开始”帧进行特征重检预处理,记录遮挡开始前目标状态;在“遮挡结束”帧进行特征重检,使用SIFT特征进行正反双向特征匹配标定目标,结合遮挡前的状态进行标定以确保重新标定的目标为原被遮挡的跟踪目标,并利用特征重检的结果去更新跟踪与检测模块,即“再检测”。最后,在基准测试集OTB(Object Tracking Benchmark)上的实验表明,与经典跟踪算法相比较,本文提出的TLD-D算法在抗遮挡性能表现优秀,遮挡阶段恢复后,可继续对目标稳定跟踪。