目标跟踪问题是一个在学习样本不充分下的一个半监督学习问题。在实现的角度上讲,可以将其视为在视野中预测被跟踪对象的运动轨迹。换句话说,目标跟踪可以被认为是将被跟踪物体从视频流中的每一帧画面取出,并将其与背景分离开来。目标跟踪在军事导航,公共生活中的社会安全方面上有很广泛的应用。在这篇论文中,本文提出了一种基于贝叶斯方法(Bayesian Method),卷积神经网络(Convolutional Neural Networks,CNNs)以及金字塔LK光流法(Pyramid LucasKanade optical flow,PLK optical flow)的目标跟踪方法,这个方法称为COB算法。基于一种称为通过检测进行跟踪(track-by-detect)的思想,本文算法中包含了三个主要部分:一个训练好的卷积神经网络被当作一个检测器;一个集成了PLK光流法的跟踪器;以及一个基于贝叶斯方法的整合器。其中基于卷积神经网络的检测器级联在基于PLK光流法的跟踪器之后。之后我们在将卷积神经网络的输出结果以及PLK光流法的输出结果输入到贝叶斯方法中,整合出最后的一个跟踪结果。本文工作的主要贡献包含了如下三个部分:其一,本文提出了一种自适应的整合方法以面对因训练样本不足而导致的过拟合问题,降低过拟合对整个跟踪算法的影响。此整合方法在跟踪器和检测器之间引入了一种竞争的机制。这个机制使得跟踪器和检测器之间能相互补偿性能上的偏差:一方面利用检测器的结果以清除跟踪器的累计误差,利用跟踪器的输出结果以补偿检测器的漂移问题。其二,本文工作还针对实际中的应用,在整合器中引入了可选的在线学习机制。人们可以使能这个机制使得算法可以牺牲一定的实时性以获得更好的性能表现,或者可以关闭此功能以获得更好的实时性。其三,本文提出了一个新的网络结构,使得在目标跟踪这个实时性要求较高的问题上有较好的分类性能。此外,在训练网络的过程中,为了使得卷积神经网络性能更好,在深度学习中的一些正则化方法也应用到卷积网络中,以使得检测器对分类中的盲点具有更好的鲁棒性,以此减少错分类的可能性。在此文中,本文介绍了COB算法,通过将卷积网络以及PLK光流法整合到贝叶斯方法的框架中。其中基于卷积神经网络的检测器用于挖掘当前帧的信息,而基于PLK光流法的跟踪器用于挖掘相邻两帧之间的信息。本文介绍了算法的具体实施,包括使能在线学习机制以及关闭在线学习机制的实验。我们的实验基于CVPR2013目标跟踪数据集,在实际测试中,我们进行了广泛的实验来研究COB方法的可行性,统计结果表明,本文提出的COB方法与以前的方法相比总是获得可比的性能。