目标跟踪作为计算机视觉领域重要的研究方向之一,经过长期的发展,已经取得了丰硕的研究成果,并在安防监控、智能交通、医疗诊断、国防军事等不同领域得到了广泛的应用。将局部跟踪与全局检测有机结合的TLD(Tracking-Learning-Detection)跟踪框架是近几年目标跟踪领域的一个研究热点,传统TLD算法使用中值光流法在图像局部范围实现目标跟踪,同时使用级联分类检测对整个图像进行目标检测,最后综合二者的结果确定目标位置,同时利用半监督学习器对两者进行模型和参数的更新。该算法在长时目标跟踪方面具有明显的优势,但是其鲁棒性还有待改善。本文针对传统TLD算法处理目标外观变化以及遮挡问题存在的不足,主要进行了以下工作:阐述了TLD跟踪框架的结构组成及原理,系统介绍了传统TLD跟踪算法的中值光流跟踪器、级联检测器以及P-N学习器,分析了该算法的优缺点。提出了一种基于分层与分块权值理论的压缩感知跟踪器:通过使用两种互补的方式构造两个稀疏测量矩阵,分别提取图像的颜色(灰度)和纹理特征;对图像进行分层处理,并对每层图像进行高斯平滑;对每层图像进行分块处理,计算每个子块属于目标的隶属度作为该子块的特征权值;使用加权贝叶斯分类器计算样本概率,得到目标位置。提出了一种基于模糊集理论的半监督学习器:从时间、空间、相似度、大小四个方面建立四种不同的约束规则;使用模糊集理论对各约束规则进行综合,判断样本的属性。在TLD框架基础上,使用提出的跟踪器对目标进行局部跟踪,使用传统TLD级联检测器对目标进行全局检测,使用半监督模糊学习器对检测结果进行综合,更新跟踪器和检测器,并输出最终跟踪结果。本文在多个测试集上进行了对比实验,结果表明:所提出的方法均能有效改善算法的跟踪性能,跟踪成功率在80%以上,跟踪效果优于当前主流跟踪方法。实验结果证明了本文所提方法的有效性。