视频跟踪是近年来十分前沿的研究领域,涉及的领域众多诸如计算机视觉领域、模式识别、人工智能、自动控制等学科的技术。现实生活中,视频目标的跟踪也得到了广泛的应用前景。但是,视频目标的跟踪技术面临了许多挑战,诸如目标多尺度变化、仿射变化、部分遮挡和全遮挡、光照变化、噪点等方面都会对目标跟踪进行相应的干扰。尽管对跟踪系统的研究机构也在对跟踪算法的鲁棒性、准确性、快速性三个方面进行了研究,也取得了很多成果,但是就目前的主流跟踪算法还不能有效地解决以上问题。在现有的主流跟踪算法的基础上,本文对复杂环境下的目标的变化问题进行了研究。在目标检测的特征提取问题上,提出了两组新特征组集合,利用监督式机器学习在人脸定位上起到了很好的检测效果,并为目标跟踪的特征子选择奠定了基础。新提出的特征检测子对于多尺度和一定旋转角度下的目标检测具有很好的鲁棒性。基于传统主流的跟踪算法在复杂环境下容易发生漂移、目标丢失等现象,本文改进了TLD跟踪技术算法,提出了基于Sliding-window搜索块的局部搜索和全局搜索策略、积分直方图分类器和随机Haar-like分类器。首先,采用积分直方图过滤器可以有效地过滤大量非目标子窗口块,从而减少后续过滤器特征匹配数；其次,利用随机Haar-like块特征过滤器能够解决跟踪算法在复杂环境跟踪过程易发生漂移而导致跟踪精度的不足。最后,结合TLD原始过滤器与新提出的两个过滤器组合而成的级联分类器,通过与主流的跟踪算法实验进行对比表明,级联分类器在稳定的背景或复杂环境的跟踪鲁棒性强、跟踪精度高,并且采用了局部和全局搜索策略提高了计算速度。