运动目标跟踪作为机器视觉的前沿技术,一直是人工智能领域研究的热门对象,在计算机视觉领域占有重要地位。作为一门综合性很强的学科,它涵盖了图像处理,控制工程,计算机软硬件技术,传感器和数学,神经网络学,人工智能等多种不同学科的理论与知识。在视觉导航,航天航空,军事制导,智能交通监控,家庭智能服务机器人等众多领域展现出了广阔的应用前景和理论价值。家用服务机器人作为目标跟踪技术的重要应用领域,其工作环境背景更杂为复杂,所跟踪目标具有复杂多样和未知性。TLD（Tracking-Learning-Detection）是近几年兴起的一种优秀的单目标跟踪算法,能够能够实现对目标进行长时间稳定跟踪。但在实际复杂场景下,算法还存在一些不足之处,其在对跟踪目标遮挡的鲁棒性和算法实时性方面仍有可以改进的地方。本论文将围绕TLD算法在复杂场景下存在的不足之处进行分析和展开,并进行优化,以提高算法的跟踪性能。论文的主要研究内容包括:（1）研究TLD算法的原理和流程,主要包括四大模块:检测模块,跟踪模块,学习模块和综合模块。同时对算法中的关键部分P-N学习过程以及基于LK光流法的中值流跟踪算法深入研究,发现算法的不足及问题。（2）针对算法跟踪模块中,追踪器随机采样选取的目标跟踪点不能有效的表征目标特征问题。提出采用基于关键特征点检测跟踪的方案,保证了采样的跟踪点能够被追踪器可靠地跟踪,提高了算法对目标遮挡的鲁棒性。（3）通过在算法检测模块引入Kalman滤波,预估出当前帧中目标的大致位置,进而缩小扫描窗口的检测范围,减少算法无用计算量,提高算法的处理速度。（4）论文通过对比试验对优化后的算法进行验证,优化后的新算法克服了原算法的不足之处,提升了算法对目标遮挡的鲁棒性和算法的运行速度。