目标跟踪技术在智能交通、安全监控、人机交互和运动分析等领域有着广泛的应用。近些年,目标跟踪技术取得了飞速的发展,涌现出许多优秀的目标跟踪算法,解决了很多棘手的目标跟踪问题。但是,目标跟踪技术仍然面临着很多的挑战,由于现实环境较为复杂,目前的跟踪算法在实时性、精确性等方面还不能满足实际应用。本文对KCF目标跟踪算法进行优化,KCF跟踪算法利用循环矩阵进行密集采样提取图像的HOG特征,使用正则化最小二乘分类器进行训练提高了运行速度。KCF跟踪算法的优势为目标跟踪速度快,在Benmark视频序列集OTB50的平均速度为172fps,平均精度为73.2%。不足为当目标出现遮挡而跟踪丢失时,在后续跟踪过程中无法再继续准确的进行跟踪,降低了目标跟踪的性能。文中通过对CSK和TLD算法的分析对比,提取两者的优势。KCF算法在CSK算法的基础上进行的改进,继承了CSK快速实现目标跟踪的优势,而TLD算法由跟踪、检测和学习模块构成,在目标跟踪丢失时,通过检测模块重新定位目标。对于KCF的不足借鉴TLD的思想,添加检测模块,并将HOG特征用FHOG特征替换,提高了跟踪器的运行速度。通过Graph Cut算法将含有目标的子图像从原视频序列图像中分割出来,作为模板匹配的子图,通过模板匹配检测到目标新位置,来更新跟踪器。将本文算法与其他算法在OTB视频序列集上进行实验,分别作用在5个具有不同特点的视频序列集上,实验表明,本文算法在目标出现遮挡的情况下,可以继续对目标进行实时的跟踪。