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。TLD(Tracking-Learning-Detection)模型只需要较少的先验信息就可以实现对目标的长期在线跟踪,但由于实际应用中会存在目标的姿态变化、光照变化、遮挡等诸多干扰,会影响算法的跟踪性能。本文详细分析了TLD框架中的各个部分,包括基于金字塔LK光流法的跟踪器、三个分类器级联的检测器以及P-N学习装置。通过对原始TLD模型的研究发现长时间遮挡问题会严重影响算法的跟踪性能,考虑到Kalman滤波是一种轨迹预测的优秀算法,因此本文尝试将其引入到TLD跟踪模型中,当目标被遮挡时运用Kalman滤波根据目标之前的运动状态来进行目标位置的预测,从而提出了一种基于TLD模型和Kalman滤波的跟踪方法。通过对算法在三种不同环境下进行性能测试,从实验结果来看,改进的TLD跟踪算法对于目标遮挡问题有良好的鲁棒性,即使目标消失也能够预测目标位置,当目标重新出现后及时进行捕捉。从评估结果来看,与原始的TLD算法相比,改进算法在目标框的偏移误差以及重叠度方面都有更好的性能。所以,改进的TLD跟踪算法能够有效的适应遮挡问题带来的干扰,使得跟踪系统具有更好的鲁棒性和准确性。