目标跟踪是在给定视频的连续帧中找出目标并进行持续跟踪。本文针对目标跟踪中最有现实研究意义及应用价值的行人跟踪展开研究。通常,目标跟踪算法大致可以分为基于检测的跟踪和基于预测的跟踪,但其中任意一种算法都有各自的缺陷和不足,不具备普适性。例如,基于检测的算法往往容易受到遮挡、形变等影响;基于预测的跟踪算法在跟踪的过程中容易产生预测目标与真实目标之间的误差,并且这种误差会随着时间累积,使得跟踪效果随时间变差。另一方面,传统行人描述特征大多来自专家的精心设计,但这些人工设计的特征都是属于浅层特征,对目标的描述能力有限。本文针对以上两个方面的问题本文提出相应的行人跟踪算法,主要的研究内容及创新贡献如下:(1)提出针对行人跟踪的TLD算法改进。TLD算法提出将跟踪、学习和检测三个模块进行组合,通过检测器的检测结果纠正跟踪器误差,同时通过在线学习模块产生的正负样本进行在线学习以更新检测器,提高检测精准度。TLD算法针对长时间的单目标跟踪表现出了良好的跟踪效果。TLD算法中的检测模块通过固定顺序级联三个分类器来对目标进行检测,不能很好的适应目标外观的变化,而影响检测的精准度。本文提出采用在线AdaBoost算法动态选择分类效果最好的特征组成强分类器对目标进行检测。实验表明本文提出的算法有效地适应目标外观的改变,提高了检测精准度,同时保持了TLD算法的长时间跟踪的鲁棒性。(2)提出基于深度卷积神经网络模型的行人跟踪。深度卷积神经网络针对图像能够抽取出对目标具有很强表征能力的特征,解决了专家设计特征描述能力不足及鲁棒性不足的缺陷。粒子滤波跟踪算法适于处理非线性、非高斯分布的系统。基于以上理论本文提出通过卷积神经网络构建目标外观模型,将其融合进粒子滤波对行人进行跟踪,并利用跟踪过程中产生的正负样本对外观模型进行更新。通过与最先进的跟踪算法进行实验对比,发现本文提出的算法在跟踪精准度和鲁棒性方面都有不错的表现。