本文在总结和详细分析现有跟踪算法的优点和不足的同时，在充分了解数据挖掘中概念漂移和类不均衡问题的基础上，提出了基于概念漂移（Concept Drift）框架的目标跟踪算法，建立了适合描述概念漂移的模型，利用概念漂移得到的先验概率知识优化调整更新跟踪模型，并将其嵌入到粒子滤波的框架内，并将该算法应用于光照突变场景甚至前景目标运动模式发生变化的场景下，能取得较好的跟踪效果。本文的主要工作有：基于目标跟踪领域，提出有利数据挖掘的有效概念。概念漂移过去的研究局限于数据挖掘领域，本文将概念漂移从数据挖掘扩展到机器视觉，且第一步工作就是定义机器视觉中的有效概念。利用漂移检测算法检测漂移点。贝叶斯理论同时是漂移检测的研究热点，且与目标跟踪中目标位置预测的概率模型相切合，据此可以将两者统一在一个概率框架内。提出基于漂移检测的目标跟踪新算法。基于粒子滤波的概率框架，将概念漂移的知识直接结合到目标跟踪的后验似然概率中，因此，一旦概念漂移检测到场景中的漂移现象，将会立即调整跟踪模型，使得跟踪算法能够快速适应漂移点之后的跟踪。此外，还讨论了与概念漂移经常同时出现的类不均衡问题，指出基于分类器的跟踪算法中还存在类不均衡问题，正负样本的不均衡会对训练得出的分类器性能大有影响，并且我们结合了数据挖掘中解决类不均衡问题的算法思想，将其运用到分类器的训练过程中，以提高分类精度和跟踪性能。