视频跟踪是计算机视觉领域的一个重要研究方向,它融合了模式识别、图像处理、图像表征和计算机应用等相关领域的研究成果和先进技术,在智能监控、交通管制、人工交互、军事精确武器制导和工业控制等领域都有广泛的应用,具有十分重要的研究价值和实用意义。本文对视频跟踪算法进行了一些有益的研究和探索,并针对视频跟踪领域的长时跟踪和自适应恢复问题,进行了深入地研究,主要的工作如下：1.详细研究了基于KLT特征点的跟踪算法,并针对目标运动较大时,算法不能继续跟踪目标,将其扩展到多尺度图像空间中,通过构建高斯图像金字塔跟踪特征点。同时,引入一种新的错误判别标准-双向误差,对特征点进行筛选,大大提高的跟踪算法中特征点的精确性,最后使用Greedy贪婪算法对目标位置进行收敛,实验结果表明此方法的有效性。2.将一元化模式的跟踪扩展到二元分类问题,提出支持在线学习的增量式随机森林分类器,可有效处理视频跟踪这类小样本数据流的问题,在线构造分类器,并通过顺序得到的样本对分类器进行在线更新,从而适应目标运动过程中的不断变化,并基于这些变化对分类器树结构进行修剪。通过对跟踪视频的分类准确率和召回率进行定量统计表明,基于在线学习的分类器模型在复杂环境下具有很好的准确性和稳定性。3.针对目标的长时跟踪以及跟踪过程的自适应恢复问题,提出了基于双向光流和在线学习的跟踪算法,算法通过基于位移权重的扫描方法提取窗口样本,并使用结构约束集对目标运动变化进行约束和学习,提取目标运动过程中的关键帧构建目标的观测模型和运动模型,用于对集成分类器进行在线更新,使分类器在线学习目标的外形变化。目标跟踪失败后,检测模块重新检测目标,用于重新初始化短时跟踪算法的相关参数,自动恢复跟踪。实验结果表明,该算法在复杂背景下,运动目标发生尺度变化、外观范围变化、遮挡和消失等情况下,依然可以稳定跟踪目标,并在出现跟踪抖动后可以自动恢复,从而实现对目标的长时自适应跟踪。