船舶跟踪是内河智能视频监控系统中对船舶行为分析的基础，根据其结果可以判断船舶是否存在违章情况，从而实现对内河状况的准确判断、评估和自动预警。然而目前国内的内河视频监控系统智能化程度普遍不高，仅作为场景观察、记录的工具，不能自动筛选信息、智能分析。而且很少有专门针对内河船舶的跟踪算法，因此内河视频监控系统中的船舶跟踪依然是计算机视觉领域的研究难点。　　 内河中场景十分复杂，航行船舶也十分杂乱，传统的跟踪方法无法满足长期在线跟踪的需要。2011年英国萨里大学博士生Zdenek Kalal提出了TLD(Tracking-Learning-Detection)算法，其将独立运行的跟踪器和检测器相结合，采取闭环的控制方式限制其二者工作的运行机制使自适应的长期跟踪未知目标成为可能，具有里程碑的意义。因此，TLD是复杂内河背景下船舶跟踪的一个有效研究方法。本文以此作为研究方法，并结合粒子滤波和Kalman滤波对算法性能进一步优化，最终实现了在复杂背景中、相似物干扰、严重遮挡和尺度变化等多种情况下对船舶的准确跟踪。本文的主要工作和贡献为:　　 1)基于TLD算法的研究和实现。分析了算法各模块的工作原理和理论基础，对其实现思路和算法框架进行了剖析，最后将该算法应用于内河视频序列的船舶跟踪中。　　 2)基于Kalman滤波和粒子滤波的经典理论研究和其算法实现。阐述了这两种滤波算法的基本理论知识和算法流程，并分别实现了基于Kalman滤波和基于粒子滤波算法的船舶跟踪。　　 3)基于TLD船舶跟踪算法的改进。为了解决内河船舶跟踪中的难点问题，本文结合滤波理论对TLD算法进行了多方面的改进，具体为以下方面:　　 (1)利用LK金字塔光流法预测出目标候选区域。　　 (2)将粒子滤波算法融入TLD的算法框架中，利用LK金字塔光流法预测得到的目标候选区域进行粒子初始化，这样可以减少算法训练时间。　　 (3)利用积分向量图提高算法效率。　　 (4)将Kalman滤波器的预测结果融入算法中。在保证跟踪精度的同时，解决了目标出现严重遮挡时造成的目标丢失、限位框漂移等问题。　　 (5)在P-N机制内引入新的判定规则，有效增强算法的自学习和抗干扰能力。　　 (6)改进积分器工作原理，使结果更加准确。　　 本文采用多组长江边拍摄的视频和调研得到的CCTV监控视频进行实验测试。结果表明，本文算法得到的跟踪效果始终全面优于原TLD跟踪算法的实验结果，可以较好地解决了跟踪中背景干扰、相似物干扰、障碍物遮挡、目标互遮挡及尺度变化等难点问题。