智能视频监控是机器视觉领域一个颇具应用价值的研究方向，被广泛地应用于航空、交通、公共安全等方面。作为视频监控中最基础的环节-目标的检测与跟踪技术，一直以来更是人们关注的热点问题。目标是否能够被成功跟踪主要取决于能否成功将目标从它周围环境中分割出来，因此可以把目标的检测与跟踪问题转换成二分类问题，只要找到合适的特征和判别分类器就可以实现高效准确的跟踪。然而，视频序列中目标的准确检测与跟踪是一个颇具挑战性的任务，其中制约跟踪效果的最大因素莫过于目标的外观变化，包括姿势和形状等内因变化，以及光照、移位、相机视角及遮挡等外因变化。针对以上问题，本文对目标检测与跟踪展开研究，从机器学习的角度，将目标的检测与跟踪视为一个二分类问题。本文的工作主要包括两部分。第一，目标模型的表述。为了全面有效地表述目标，深入分析了尺度不变特征变换（ScaleInvariable Feature Transform，SIFT）、PCA-SIFT、SURF（SpeedUp Robus tFeature）、DAISY等特征算子，对比各种特征算法的优缺点和应用场合，最终选择利用多尺度空间的高斯差分（DoG）检测图像中的特征点，然后利用DAISY特征描述子对目标图像进行描述。使目标模型对旋转、视角、尺度具有不变性，对光照和局部遮挡有一定的稳定性。第二，分类器的设计。重点研究了近年来热门的随机森林分类器，在此基础上，引入霍夫变换的随机森林，即霍夫森林（HoughForest）作为区分目标和背景的判别分类器。将图像块和其对应的类别标记作为霍夫森林分类器的训练数据，通过结构性的训练和学习，生成霍夫森林相应的结构参数，把目标图像块和背景图像块分开，相应的霍夫森林的各叶节点就形成了判别式的码本集。为了提高目标模型的对目标和背景变化的自适应性，文中提出了一种新的模型更新方法，即在后续视频序列中，利用新标记的图像块与模型码本中的图像块的相似性测量对模型进行更新。实验证明，将快速有效的DAISY描述子和识别率高、鲁棒性强的霍夫森林分类器相结合，在处理局部遮挡、消失目标重现检测和低分辨率图像等场合具有显著的效果，同时新的模型自适应更新的方法使算法对复杂场景下的目标检测与跟踪有很大的优势。