本文主要对概念漂移检测算法进行了研究,并针对视觉跟踪场景的特性对传统的概念漂移算法进行了改进,提出了一个基于概念漂移检测的跟踪算法。为了更进一步地提高本文的概念漂移算法的鲁棒性,本文引入了对跟踪目标稀疏表达,过滤掉了由于遮挡对漂移检测算法带来的影响。最后实验显示,本文基于概念漂移检测的跟踪算法有着很高的精度。在数据挖掘领域中,旧有的模型可能会因为环境的变化而失效。漂移检测算法的目的是为了及时侦测出外界环境的变化,让模型更好地适应新的环境。然而通常的概念漂移检测算法不具备在跟踪场景下的应用条件,因为跟踪场景环境复杂且变化速度快。为了克服传统概念漂移算法的这一缺点,本文引入了Wilson置信分数,提出了一种在跟踪场景下也有很好应用效果的概念漂移检测算法。本文的跟踪算法是判别式的跟踪算法,即采用了在线学习的机制,采用分类器对目标的置信度进行评判。而判别式的跟踪算法的一个主要问题便是分类器的退化问题,即在线学习的过程中积累了误差,最终导致分类器失效,发生所谓的概念漂移问题。本文的概念漂移算法能够很好的解决这一问题。更进一步,本文引入了对目标的稀疏表达,进一步提高了概念漂移检测算法的鲁棒性。最后,本文通过大量的实验证明了文中的跟踪算法有着很好的效果,并且总结了当前工作,展望了未来前景。