因为目标跟踪在许多应用中有着非常重要的作用，它在计算机视觉中得到广泛研究，例如自动监控，视频检索，交通监控，图像采集和人机交互等等。在目标追踪领域，基于在线学习的检测器追踪方法获得了很好的效果。但是，大多数方法都局限于以仿射变换的方法调整跟踪框尺寸来表示目标的缩放变化，无法滤除遮挡物，而且不能处理目标被完全遮挡或消失的场景。为了解决这些问题，本文提出一种基于局部块样本的检测器跟踪算法。该算法结合ferns分类器的在线学习方法和局部块样本定位策略来跟踪目标，采用偏移可信度投票检测出目标的模糊位置，并以重采样策略弥补投票检测方法的缺陷，校正目标中心，缩放定位框尺寸，滤除背景噪声和遮挡物。该算法中建立了一种新的目标可信度评估标准，以此优化在线学习方法，降低噪声样本的负面影响，减小误差累积，并通过目标可信度判断跟踪状态，使跟踪器能够适应目标被完全遮挡或消失的场景。本文采用复杂环境下的视频序列进行实验，并与其它先进算法做对比。结果表明，该算法实现了对于部分遮挡、完全遮挡、消失、形变和旋转等各种复杂场景下刚性目标和非刚性目标的有效跟踪，同时完成目标定位框大小的自适应变化和目标可视区域的准确定位，具有良好的准确性和鲁棒性。