在计算机视觉领域中，目标跟踪是一个颇具应用价值的研究课题，被广泛地应用于航空、交通、公共安全、军事等方面，一直以来都是人们关注的热点问题，吸引了越来越多的研究人员从事目标跟踪的研究。然而，视频序列中目标的准确跟踪是一个颇具挑战性的任务，其中制约跟踪效果的最大因素莫过于目标的外观变化，包括姿势和形状等内因变化，以及光照、移位、相机视角、遮挡和消失重现等外因变化。一个优秀的视频跟踪算法必须要综合考虑上述因素，才能取得好的结果。　　目标是否能够被成功跟踪主要取决于能否成功将目标从周围环境中分割出来，因此可以把目标的跟踪问题看作一个二分类问题，也叫作基于检测的跟踪（tracking by detection），这种方法目前受到了广泛的关注。这类方法通过训练判别分类器将目标对象从背景中分离出来；分类器的训练是根据当前的跟踪状态从当前帧中提取正负样本来进行的，但训练样本的不准确将导致分类器退化产生漂移。本文针对此问题，作了关于以下内容的研究：　　（1）学习算法的研究。分类器的性能主要取决于更新时所选用的学习算法，对当前流行的经典学习算法进行了深入的学习与研究，包括集成学习、boosting学习、多示例学习和P-N学习，分析这些学习算法的结构原理，并通过实验了解各算法的优缺点。　　（2）分类器的选取。分类器的构建也有很多方法，本文重点研究了由随机森林分类器演化而来的随机蕨丛分类器，它的结构简单、易于实现、分类准确快速。　　（3）学习并实现了中值流跟踪算法，提出了一种能够有效克服目标漂移的跟踪算法：基于多示例学习和随机蕨丛检测的在线目标跟踪算法。主要思路如下：利用中值流跟踪器跟踪目标的大致位置；级联若干个随机蕨弱分类器构成强分类器，作为随机蕨丛检测器；跟踪器和检测器的结果相互验证融合得到最终的目标位置；用在线多示例学习的方法更新检测器，当目标消失重现后由检测器的结果初始化跟踪器。　　本算法在一些具有挑战性的视频中试验，结果表明，本方法是一个健壮的实时目标跟踪算法，在目标快速剧烈运动或者消失一段时间后重现等复杂情况下有效地克服漂移实现稳定的跟踪。与其他方法相比，该方法在场景中有相似目标时对目标漂移有更强的鲁棒性。