基于在线学习的目标检测是计算机视觉领域一个较新的研究课题。如何使检测模型在执行检测任务的同时进行在线学习,从而模仿人类视觉系统的自我学习能力,逐步提高自身的检测性能是在线学习目标检测系统的主要研究内容。本文提出将跟踪与检测模型的在线学习结合起来,通过跟踪自动提供检测模型在线学习的样本并对检测结果进行验证,从而指导检测模型的在线学习。整个研究工作主要集中在学习样本类别自动标注以及提高在线学习的分类器分类能力方面。本文首先提出自适应级联分类器算法,将级联分类器算法融入到在线学习体系中,使级联分类器可以进行在线训练。并且整个分类器级联结构可以进行自适应的变化,即通过在线训练过程中增加级联分类器的级数增强分类器分类能力。实验结果表明,该算法可以进行自适应在线学习,从而提高目标检测精度。其次,针对在线学习中样本类别自动标注的难点提出采用粒子滤波跟踪进行在线学习样本的获取以及样本类别的自动标注。利用粒子滤波算法的特性对目标检测结果进行验证,将错误的检测作为在线学习的负样本更新检测模型。此外,通过跟踪获取真实目标的不同姿态,从中提取检测模型较难检测出来的目标作为在线学习的正样本。大量的实验结果表明了该方法的有效性。为了进一步提高跟踪对检测结果验证的正确性,本文提出了多信息融合的粒子滤波算法,将目标轮廓信息融合到粒子似然比计算中,从而提高跟踪对检测结果验证的准确程度。通过实验证明该算法取得了不错的效果。此外,为了在较少特征数情况下提高在线学习分类器的分类能力,本文提出维数递增弱线性回归树算法,将线性回归树作为弱分类器,并且使线性回归树可以进行维数递增,从而每一个弱分类器都组合了多个特征,再由多个弱分类器结合起来构成强分类器。这种算法采用线性回归树作为弱分类器,可以通过递归最小二乘估计更新各个节点线性回归器系数,实现了弱线性回归树的在线学习。最后,本文对所做的工作进行了归纳总结,并且结合本文的不足之处,分析和讨论了进一步的研究计划。