传统的视频序列目标检测与跟踪方法(例如背景差分法、帧间差分法、光流法等)难以适应复杂的图像背景、目标形状的实时变化以及目标位置的非规则抖动等问题。 　　本文主要在Tracking-Learning-Detection(TLD)目标跟踪算法上提出了一些改进，使对足球运动员的跟踪更加鲁棒性。此算法的跟踪分为三步：追踪、学习和检测。其中追踪的过程中采用Lucas-Kanade算法计算帧I到帧J的Forward-Backward(FB)错误值，采用Normalized Cross-Correlation(NCC)算法计算各个点的相关度值，然后由跟踪区域各点的FB值和NCC值的平均值作为阈值来获取可靠的特征点。Positive-Negative(P-N)学习的过程展示了一种新的思想：跟踪目标在视频序列中位置的变化被认为是轨道，靠近轨道的图像碎片是对象，远离轨道的是背景。学习中使用已经标记的样本来训练一个初始化的分类器，并调整预先定义的约束适合已经标记的数据，然后通过分类器标记未标记的数据，并识别出那些已经被标记的但是跟约束不相符的样本，最后更正标记并添加到训练集里，重新训练分类器。检测的过程就是在帧J中找出与帧I最接近且相邻的图像块。 　　从实验结果中可以看出，改进的TLD目标跟踪算法能有效的适应复杂环境的目标跟踪，对运动目标的速度有很好的适应性，在目标形状变化以及位置非规则抖动的情况下，目标跟踪更具鲁棒性，同时能获取更多的有效特征点，较好地解决目标跟踪中的漂移以及丢失现象，并能有效改善检测的结果。