本文以低光照环境下的视频序列为基础,进行人脸跟踪算法的改进研究。传统的人脸跟踪算法在低光照环境下进行跟踪时,由于人脸的颜色特征表现不明显,且容易受到遮挡、尺度变化等干扰的影响,产生跟踪漂移,甚至丢失目标,导致跟踪失败,不能够达到长时间准确跟踪的目的。为解决以上问题,本文进行了如下研究:（1）针对低光照环境下颜色特征表达不明显,导致跟踪的过程容易出现漂移的问题,本文提出了一种融合局部二值模式（Local Binary Patterns,LBP）和马尔科夫预测算法（Markov）的Camshift跟踪算法。同时,为了验证该算法在低光照环境下的跟踪效果,对几组短视频进行跟踪分析。实验表明:融合过后的算法在低光照的场景下跟踪效果相对较好,漂移的现象发生较少,跟踪准确率和实时性都得到了一定程度的提升,没有出现跟踪失败现象。（2）针对传统的TLD（Tracking-Learning-Detection）算法的检测模块复杂度较高、耗时长、在低光照环境下分类效果不好、不能够满足算法的实时性和准确性等要求的问题,本文对TLD算法的检测模块进行了改进。将LBP纹理特征融入TLD算法的检测模块中,采用纹理特征进行样本分类,以此提高分类效果;同时采用马尔科夫算法对人脸的运动进行预测,减小检测模块的检测区域,提高算法的实时性。经实验验证表明:改进算法的跟踪准确率和实时性都得到了一定的提高。（3）为了实现低光照环境下的准确和高效的跟踪,本文提出了结合Camshift与Markov（马尔科夫预测算法）和LBP算法的TLD跟踪算法。采用Camshift算法取代原算法的跟踪模块所使用的光流法,降低跟踪模块的算法复杂度。与改进的检测模块相结合,进行实验验证。经五组视频跟踪实验对比验证,改进的算法在低光照的环境下,跟踪效果较好,提高了运动较快和存在遮挡的人脸目标的跟踪速度和准确率。通过OTB-50公开数据集以及现场采集的视频序列进行对比实验,结果表明,改进后的算法比原始算法在跟踪准确率方面分别提高了43.65%和22.35%,整体运行速度分别提高了11.35%和13.79%。