目标跟踪是机器视觉和数字图像处理方向最活跃的研究领域之一，其研究目的是在不同环境下对目标进行快速准确跟踪。近年来，目标跟踪技术已经被广泛应用于智能监控、动作分析、高级人机交互等领域，具有很高的商业价值。目标跟踪过程中对跟踪器的要求较高，性能优良的跟踪器能够应对照明变化、遮挡等诸多复杂场景的影响。因此，如何能使跟踪算法优良仍然在当下具有很重要的研究意义。　　本文详细阐述了跟踪—学习—检测(Tracking-Learning-Detecting，TLD)算法的跟踪、学习和检测三个模块，分析了各模块的优缺点，并提出了对检测和跟踪模块的改进方法。　　针对TLD算法中因光照变化和运动幅度较大所造成的跟踪框漂移的问题，对L-K光流法进行了高斯金字塔分层处理，使得目标运动幅度大且快速的过程也能被跟踪到。　　在原始TLD算法中，跟踪器的均匀网格结构会在目标跟踪失败时，通过初始化，从而使得所有局部跟踪器都要回归初始位置。对于这一问题，本文提出在跟踪器中将网格结构清空，单纯地对跟踪目标进行带有旋转不变性的ORB特征点提取，对特征点在学习模块中进行训练，再反馈到跟踪模块进行聚类，并对相似点跟踪。当目标跟踪失败时，直接采用ORB特征点匹配的方法定位到目标在下一帧图像中的位置。　　由于TLD算法扫描窗口数量巨大，因此，本文在跟踪模块运行后引入Kalman滤波器来对目标窗口位置进行预测，并且在原始FB+NCC预测器中引入Markov预测器，两个预测器共同使用可以预测目标走势，减少扫描窗口数量。　　最后基于OpenCV测试平台对改进算法进行了实验验证，并且得到了较为满意的结果，也证明了改进算法的性能较原始算法有一定程度的提升。