计算机的诞生为人类开启了智能时代的大门,伴随着计算机技术的飞速发展,越来越多的技术成果被广泛应用于人类的日常生活与工作中,并将不断地服务于人类、造福于人类。在计算机视觉领域,运动目标的检测与跟踪一直是一个备受学者、专家关注的方向,如何利用图像帧序列能够快速、高效检测出目标对象,并对目标对象进行行之有效的跟踪,这是一个极富有应用价值和挑战性的问题。本文重点研究了TLD目标检测、跟踪算法,并在其基本原理基础上加入了Meanshift算法进行优化。TLD算法将目标检测任务与目标跟踪任务结合起来,共同作用与运动目标跟踪,同时加入了跟踪失败自检测功能,在跟踪失败时,能够重新初始化跟踪模板。在检测器方面使用了3层过滤器来检测最相近的目标模板,使用统计机器学习模型,蕨集成过滤器和最近邻过滤器,提升了检测器精度。但缺点是跟踪器的时间开销较大,在视频帧序列中影响跟踪速度。Meanshift算法作为目标跟踪领域经典而基本的算法,利用偏移均值向量不断迭代来更新中心点位置,核函数的加入使得不同偏移值对偏移均值向量的影响不同,权重的加入使得不同样本点对目标中心的贡献度不同,故在目标跟踪中表现出较好效果。但Meanshift缺点是目标模板不能动态更新,在较复杂场景下跟踪效果有所下降。本文研究了检测、跟踪算法基本原理,将TLD算法跟踪模块跟踪速度较慢的光流法进行了替换,取而代之的是时间开销较小、能够快速收敛的Meanshift算法,优化了TLD算法跟踪效率。同时传统的Meanshift算法只是在第一帧图像初始化跟踪模板,后续跟踪目标发生变换并不更新跟踪模板,针对跟踪模板不能及时更新的不足,在改进的算法中加入了跟踪模板更新环节,在跟踪模块跟踪失败时利用检测器检测到的模板重新更新跟踪模板,自适应运动目标随位移发生地变化。通过在多场景、不同运动人体的环境下对算法进行实验,可以得到跟踪时间开销减小的结论,并在一定程度上提高了跟踪效果。