目标跟踪作为计算机视觉领域中的一个研究热点,具有广泛的应用前景,并受到了国内外专家学者的广泛关注。尽管在过去十年中目标跟踪技术已经取得了飞速进展,但是设计一个可以处理各种复杂情况,如光照变化、几何变形、快速移动、遮挡、背景杂波等这样一个长期目标跟踪算法仍然非常具有挑战性。基于检测的跟踪方法由于其良好的性能和较高效率近几年非常流行。跟踪-学习-检测算法作为基于检测的跟踪方法的一个典型代表,它将长期目标跟踪任务分为三个子部分即跟踪、学习和检测。该算法实时性好,准确性高,但跟踪-学习-检测跟踪算法在目标作平面内或平面外旋转、快速移动和非刚性形变等情况下跟踪性能较差或无法跟踪,缺少广泛适用性。因此针对跟踪-学习-检测目标跟踪算法的缺点提出改进方案:首先,提出了一种基于图像感知哈希的分类器,使用图像的哈希值对候选图像进行分类。利用图像感知哈希分类器作为跟踪-学习-检测算法中级联分类器的第三级来克服最近邻分类器的不足,增强检测性能。实验结果表明,所提算法的跟踪成功率和精度都优于跟踪-学习-检测跟踪算法,同时提高了跟踪的平均帧率。其次,针对跟踪-学习-检测算法的中值流跟踪器在目标作大幅度运动时容易跟踪失败的情况,提出了一种基于压缩感知的跟踪-学习-检测算法。该算法对跟踪器进行改进,利用压缩感知对提取到的大量样本特征进行降维得到压缩特征,再对压缩特征进行分类,降低了计算复杂度;压缩特征保留了原始特征的大部分信息,改进的跟踪器具有较好的性能。实验结果表明,与跟踪-学习-检测算法相比,改进算法的跟踪成功率和精度都得到了改善,跟踪实时性也得到较大提升。最后,针对跟踪-学习-检测算法在目标作平面外旋转、快速移动和非刚性形变的情况下容易跟踪失败的问题,提出了一种基于核相关滤波器的跟踪-学习-检测算法,该算法对中值流跟踪器进行改进,提高跟踪器的性能。此外,在核相关滤波器中融入颜色信息进一步增强算法的鲁棒性和准确性。实验结果表明,在复杂跟踪场景下,与跟踪-学习-检测算法相比,改进算法具有较高的跟踪成功率和精度。