针对被跟踪目标发生严重遮挡、暂时离开跟踪画面或位移发生重大变化时,采用基于在线Boosting跟踪的邻近区间更新算法导致错误累积进而产生漂移甚至跟踪失败的问题,提出一种改进的基于在线Boosting的目标跟踪方法。由在线Boosting算法对分类器特征库进行更新,使用卡尔曼滤波动态更新阈值,使系统能根据跟踪目标的置信度自动用获取到的局部特征对阈值做相应调整。当运动目标的置信度低于下限阈值时,采用Blob跟踪方法,根据颜色和空间上的相似性将目标分割为多个区域,每个区域包含有区域号、位置、大小信息,随机选取一个进入在线Boosting跟踪模块进行检测,直到获取到置信度达到上限阈值时,切换到邻近区域更新算法进行跟踪。对不同视频序列测试的结果表明,与传统在线Boosting算法和其他跟踪算法相比,所提出算法能快速准确获取跟踪目标并具有更强的鲁棒性。