由于智能监控、数码摄像机、视频编解码、人机交互等多个应用领域广泛的需求，人脸相关的研究逐渐成为了国内外的热点。人脸检测与跟踪是人脸研究中两个重要的方面。人脸检测是指从输入的图像或者图像序列中确定人脸的大小、位置与姿势的过程。人脸跟踪则是指从输入图像序列中确定人脸的运动轨迹与其大小变化的过程。本文主要研究复杂背景下人脸检测与跟踪的相关算法及其改进方法。　　由于基于Haar分类器的人脸检测方法检测速度快，对光照等影响因素的鲁棒性好，这种方法是目前复杂背景下人脸检测最常用的方法。通过对Haar分类器及其人脸检测实验结果的分析，指出了Haar分类器的一些不足，并通过K均值、AD AdaBoost和非对称决策树(ASCART)来改进传统的Haar分类器。实验结果表明，同等条件下基于K均值改进的Haar分类器其检测精度和速度分别提高了10％和87％，基于ASCART或AD AdaBoost改进后的Haar分类器其精度和速度相应提高了13％和95％，而综合运用K均值和ASCART改进以后相应性能指标则提高了15％和103％。　　对于复杂背景下的人脸跟踪问题，主要分析了肤色直方图、均值漂移算法及其在人脸跟踪上的应用。通过对Cam-Shift算法与实验结果的分析，指出了传统的基于Cam-Shift人脸跟踪算法的一些不足。通过利用Kalman滤波器预测人脸位置改进经典的基于Cam-Shift的人脸跟踪算法。实验证明改进后的算法可以提高在人脸运动较快场景下的跟踪性能。