人脸检测和目标跟踪是机器视觉领域一个非常活跃的课题，许多国内外专家学者对其进行了深入的研究，研究出了很多有价值的算法。本论文首先对人脸检测和目标跟踪的国内外研究进行阐述，其次对其提出的算法进行了模拟实现分析，并最终实现了工程应用；最后在人脸检测和目标跟踪算法上有所创新。　　 本文主要针对人脸检测的精度和速度、目标跟踪的精度和实时性进行了分析研究，本论文的主要工作有：　　 第二章主要分析介绍基于harr的人脸检测算法，针对harr检测算法在光照、阴影和偏光等环境下不能很好的检测人脸这一情况，提出了基于统计(census)和adaboost的人脸检测算法，很好的解决了harr算法出现的问题，提高了人脸检测的实时性和准确度。　　 第三章是对跟踪算法的基础算法进行整理，系统的讲述了卡尔曼滤波和粒子滤波理论，重点分析了粒子滤波在使用中的粒子退化的问题，提出了解决粒子退化的一般性方法，并对粒子滤波的收敛性问题做了公式推导为下章跟踪算法的研究做基础性铺垫。　　 第四章首先重点分析了粒子滤波跟踪中常用的颜色、纹理、形状特征分析并总结了其在实际应用中的优缺点；同时，本章中也重点介绍了Mean Shift理论，并在此基础上提出了Mean Shift和kalman滤波结合的跟踪算法、基于颜色和纹理融合的粒子滤波算法。　　 通过与经典粒子滤波和Mean Shift算法相比较，多特征融合的跟踪算法效果较好。本文的创新点有：　　 1、提出了基于肤色区域增长和harr特征的人脸检测算法，该算法不但解决了harr特征算法有时会检测到非人脸的物体，还提高了harr检测的实时性。　　 2、基于particle filter与Mean Shift的跟踪算法，该算法解决了particle filter中粒子退化的难题，能用很少的粒子取得较好的跟踪效果，提高了跟踪的实时性，也解决了Mean Shift容易收敛到与跟踪物体特征相近的物体上的难题。取得了很好的跟踪效果。