目标跟踪是计算机视觉研究领域的一个热点和难点，在军用，民用领域均有着广泛的应用。基于在线学习的目标跟踪技术在跟踪的同时训练更新分类器，可以更好的适应目标的变化，跟踪目标不单单针对某一类目标。在线学习跟踪技术的优势明显，使其迅速成为跟踪领域的研究重点。但目前较为流行的在线学习跟踪算法是仍然存在易漂移，易退化，实时性不好等问题，因此本文主要讨论基于在线学习的目标跟踪技术，在一些现有的算法的基础上，展开研究与讨论。本文主要完成了以下几方面工作：（1）介绍现有在线学习跟踪算法的基本原理和实现方法，并主要针对压缩跟踪（Compressive Tracking）算法简称CT算法，和TLD（Tracking-learning-detecting）算法讨论，分析算法的优势和不足。（2）本文针对CT算法中压缩特征生成后，无法进行选择的现象提出了基于有效性排序特征的方案，通过构造特征池，将特征池中的特征进行排序，选取前一部分有效性强的特征作为分类器进行分类。通过在公开数据集上的视频进行实验，对比分析得到基于正态分布距离的特征排序方法，有较强的适应性和稳定性。（3）本文提出多尺度遗传算法优化的压缩跟踪算法（Multiscale-GeneticAlgorithm-Compressive Tracking, MGACT）跟踪算法，对原始CT算法加以改进。首先提出基于遗传算法选取最优特征群的方式，提高算法实时性和选取的特征的有效性。其次由于CT算法搜索框大小不能变化，本文通过改进压缩特征的表达方式，解决搜索框大小发生变化后特征值变化的问题。通过引入Kalman滤波器预测目标跟踪位置，并通过引入保守分类器，解决目标遮挡和分类器保留目标先前信息少的问题，进而达到准确高效的跟踪效果。本文通过一些公开数据集进行测试，取得了很好的跟踪效果。（4）针对MGACT算法实时性不高，在环境光照变化迅速时跟踪效果提升不明显的问题，提出基于在TLD框架下的MGACT算法，提升算法的速度和准确性。通过一些公开数据集上的实验测试，算法在光照迅速变化等情况，提升跟踪效果明显，并可对监控环境下单个或多个行人进行鲁棒的跟踪。