目标跟踪技术在人机交互、智能交通、视频监控等领域发挥着重要的作用,但由于场景的复杂性,还需要对该技术进行深入的研究。目标的姿态变化、外界光照变化、遮挡、高速运动等都会给目标跟踪带来干扰,因此构建一个稳健的跟踪系统是我们研究的方向。本文详细介绍了以TLD(Tracking-Learning-Detection)为框架的目标跟踪方法。TLD跟踪算法由检测模块、学习模块、跟踪模块三个部分组成,对于长时间跟踪具有很强的适应性。本文选取三个复杂度不同的场景对TLD跟踪算法进行仿真,实验结果表明跟踪算法在目标丢失后能够重新找回,具有一定的鲁棒性。然而,在遇到遮挡、光照变化和姿态变化时,TLD跟踪算法存在对光照和姿态变化敏感,遮挡后恢复捕捉时间长等问题。为此本文提出了一种基于Mean Shift的TLD融合算法,根据TLD跟踪框置信度来动态设置Mean Shift算法的迭代起始点,最终准确的获得目标位置。同样的,对改进算法在三种场景下进行了仿真。从实验结果来看,改进的TLD跟踪算法在目标姿态变化和外界光照变化的情况下,跟踪状态良好。当目标丢失后重新出现在视频区域时,改进算法能快速的跟踪到目标。从评估结果来看,目标框的偏移误差大大减小,重叠度大大提高。所以,改进的TLD跟踪算法能够有效的适应复杂场景的目标跟踪,较好的解决了跟踪过程中的漂移和丢失现象,使得跟踪系统更具有鲁棒性、精确性和实时性。