近年来，视频检测与跟踪技术越来越受到人们的重视，发展也越来越快，这项技术已经成为智能化社会的一部分，与我们的生活息息相关。　　在实际生活中，应用视频检测和跟踪技术的目的在于:只要目标存在于摄像机镜头内，视频检测与跟踪算法就应该能够准确的定位到目标。然而在现实环境中，目标将不可避免的受形状变化、光照条件变化、尺度变化、遮挡等情况影响，从而造成检测跟踪失败。对于解决这种问题，国内外应用最多的方法是采用自适应视频检测与跟踪算法，该种算法能够根据目标的自身状态对检测器和跟踪器的各种参数进行实时的更新，以此来提高检测跟踪算法的鲁棒性。本文通过建立一种在线学习机制来自适应目标的状态变化和背景变化，以此达到较好的检测跟踪效果。本文算法的优点是:通过在线学习机制对目标进行不断的学习，以获取目标的最新状态特征，从而及时完善检测跟踪算法，提高检测跟踪算法的性能，以达到最佳的状态。本文主要做了以下工作。　　(1)对几种在线学习视频跟踪算法做了深入研究，主要包括在线多实例学习算法、在线boosting算法、在线半监督boosting算法;在研究压缩感知理论的基础上，提出了一种基于特征选择的实时压缩感知跟踪算法。大量实验证明，压缩感知理论在视频跟踪应用中是可行有效的，通过对压缩后的数据做特征选择，更能提高跟踪的准确性。　　(2)在研究最近比较流行的TLD在线学习跟踪算法的基础上，提出了一种结合肤色分割的TLD人手跟踪，并对原始TLD算法的在线目标模型中的样本选取方式和检测时的样本匹配方式做了改进，不仅对TLD算法的准确性做了提高，同时让算法具有较好的实时性。最后，大量实验证明，本文的改进TLD算法具有更小的跟踪误差和较好的实时性。