人脸检测定位与跟踪是计算机视觉与模式识别领域中重要的基础研究课题，在基于内容的图像与视频检索、视频监控、自动人脸识别以及智能人机交互等方面有着重要的应用价值。 本文阐述了国内外人脸识别技术研究也应用的发展现状，介绍了常见的人脸检测识别方法，重点分析了集成机器学习的一个重要机制：多个弱分类器集成的方法，机器学习中的弱学习到强学习，集成的关键是投票，最简单的方法是“绝对多数”的方法。在本文中着重讨论了Viola等提出的基于AdaBoost的实时人脸检测算法，该方法使用了Harr—like特征表示图像，引入了“积分图”概念，提高了特征的计算速度，采用AdaBoost方法选择少量特征组成强分类器，使用了“Cascade”策略提高人脸检测速度，取得较好检测性能。文中还详细阐述了当今国内外流行的人脸跟踪算法，并且讨论了各算法的优缺点，最后基于Meanshift跟踪算法，并以卡尔曼滤波器作为目标估计方法，实现了视频中人脸的跟踪。 本文还改进了Meanshift的人脸跟踪算法，在该算法引入自适应跟踪窗口，使其够连续准确地对目标进行跟踪，制作了训练系统框架，讨论了跟踪窗口的建立与管理，多目标的序贯跟踪，目标的对应问题，及目标队列的更新，并对比了不同人脸检测方法使用的样本集规模，在文中详细介绍了Adaboost分类器的训练原理及方法，训练分类器的详细设计过程并给出训练程序的代码。 本文中人脸算法的研究是基于OpenCV开源代码的。在OpenCV开源代码中设计了一些基础的数据类型和一些帮助数据类型，由于OpenCV的源代码完全开放，本文的研究中利用这套代码在PC上以VisualC++集成开发环境做平台搭建了一个基于OpenCV的人脸检测跟踪系统，最后就人脸检测率、误检率、检测速度、鲁棒性与文献[37]的方法进行了比较，对在采用Kalman滤波器前后的收敛次数进行了比较。测试结果表明，本文的人脸检测器检测率接近90％，同时具有较低的误检率，跟踪效果良好。