目标跟踪算法研究是计算机视觉研究中的重点和难点问题之一。目标跟踪的结果将对目标的运动分析与行为识别起到关键作用，可广泛应用到智能监控，人机交互，交通运输管理，医学图像处理等领域。经过多年的研究，跟踪算法已经取得了很大的进展。如何解决在自然场景下光照，阴影和外观变化等引起的跟踪错误问题仍然具有挑战性。基于在线Boosting学习的跟踪方法能够实时根据目标的变化调整目标函数，开启了自适应跟踪的新思路，但该方法面临由于逐步变化调整引起的错误积累导致的漂移问题。本文通过分析在线Boosting学习的原理和自然场景中目标变化的特点，提出了两种新的基于在线Boosting学习目标跟踪算法：第一种算法，针对在线Boosting目标跟踪算法在处理遮挡问题时经常发生重大的漂移问题，提出一种结合分块的在线Boosting目标跟踪算法。通过把目标划分成相互覆盖的多块，然后结合在线Boosting原理，使得在线Boosting算法选择器权重的变化仅在本块中传递，而不是全局传递，从而避免了错误在全局累积，进而避免了漂移问题产生。实验结果证明，把分块方法加到在线Boosting算法，可以避免原来产生重大漂移的现象，同时又能在自然场景下实现实时目标跟踪。第二种算法，针对在线Boosting目标跟踪算法用检测器经常检测不到目标问题，提出一种结合检测的在线Boosting目标跟踪算法。由于原来带有检测器的在线Boosting目标跟踪算法一般利用第一帧目标与背景进行训练，因此很难适应复杂场景目标的变化，所以训练固定的检测器很难检测到目标。本文提出采用跟踪得到的置信度较高的目标作为样本来训练检测器，使得更能自适应目标和背景的变化。实验结果证明，在保证实时的情况下，本文提出的算法大幅提高了在自然场景下的目标跟踪效果和跟踪率。