随着科学技术的进步和经济的发展，人民的安全意识和需求普遍越来越高。机场、交通运输、军事设备和公共场所，需要的安全措施正在与日俱增。因此，作为计算机视觉领域的重要任务，目标检测和目标跟踪算法已经引起研究者们的广泛关注，并在智能监控、人机交互、军事安防等多种方面普遍应用。如何在各种场景的视频中对目标进行检测、跟踪并分析，以获取重要的信息是极具社会应用价值的，但由于视频采集过程中的各种干扰，容易造成图像分辨率低、特征信息不明显。并且由于实际情况不同，目标的姿态各异，复杂的真实场景变化频繁，使得算法的准确性受到很大限制。因此，获得性能稳健的目标检测或跟踪算法是机器视觉领域的研究热点。
　　本文针对视觉方向运用不同特征达到目标检测与目标跟踪目的的技术作了深入研究，尤其以行人检测、行人跟踪和基于深度特征的目标跟踪算法为重点进行研究，就前景信息分类、尺度变化、遮挡、外观表示等复杂情况进行研究，提出了一些性能更佳的算法。主要研究工作和成果如下：
　　1.针对以前的检测算法只能提取前景图像，而不能识别前景图像中包含的信息类别，提出了一种基于混合高斯模型和支持向量机的行人检测算法。首先利用混合高斯模型进行前景分割，有效提取运动目标区域；其次，在行人识别部分融合了HOG和SVM技术，通过减小检测窗口的大小来减小HOG特征维数，利用误识别区域对样本库信息进行二次更新，优化SVM分类器。最后，使用随机视频帧作为测试样本进行模型性能验证。
　　2.针对单一特征的算法不能很好地解决目标尺度变化和局部遮挡问题的问题，为了快速构建前景图像以识别行人，提出了一种基于核相关滤波的行人交通控制与目标跟踪算法。主要贡献包括：融合HOG和CN特征，提高对目标的表征能力；构建尺度金字塔对目标尺度进行预测，使其能够准确跟踪预测目标的尺度变化，避免因尺度差异而引入误差信息；利用特征响应映射的峰瓣比PSR检测遮挡，利用高置信度块模型建立遮挡处理模块。当检测到遮挡时，将当前帧输入到遮挡处理模块中进行目标重定位，使目标位置在遮挡环境中正确定位；采用模型自适应动态更新策略，利用PSR值对滤波模型进行动态更新，并引入目标外观模型，以避免由于目标表征信息的偏差而污染滤波模型和目标外观模型。
　　3.针对目前基于KCF改进的算法跟踪精准度会因为目标快速运动或被遮挡而降低，也会因为目标后期的位置、尺度或姿势变化过于频繁而在跟踪识别过程中产生较大误差，提出一种动态权重融合层次化卷积特征的自适应目标跟踪算法(Adaptive Dynamic Convolution Feature Fusion，ADCF)。通过提取不同层次卷积神经网络特征，分别经过相关滤波器学习得到不同的KCF模板，结合特征层次和各滤波器稳定度、准确度赋予动态权重，以融合三个模板确定最终目标位置，从而提升了相关滤波目标跟踪算法的精度。
　　4.视觉跟踪是一个目标感知问题，它既强调目标分类的鲁棒性，又强调目标外观的精确估计，如何有效地解决这两个问题是该领域的一项挑战。大多数处理程序分开处理这两个任务，其中一个有缺陷就会降低算法总体性能。针对现有算法的表观能力不足导致鲁棒性不佳的问题，本文提出了一种强鲁棒性外观感知目标跟踪模型。以在线学习的方式获得目标的鲁棒位置和精确的外观表示。所研究的模型执行可变形的中心相关操作，生成目标的基于点的建议框，并使用强大的监督在线学习方法进行更新。此外，还提出了一种基于特征增强模块的改进过程，进一步提高了算法的精度和鲁棒性。