运动目标检测与跟踪是机器视觉研究的核心内容之一。运动目标的检测与跟踪利用图像处理等相关技术对视频序列图像处理、分析和理解。它已经在遥感遥测、工业安防、航天航空、智能机器人、社会安防等领域发挥着重要作用。TLD(Tracking-Learning-Detection)是近年来出现的一种单目标长时间跟踪的高效算法。该算法解决了目前大部分跟踪算法在目标失踪后不能重新捕获目标的缺点，并且能够很好的适应目标外观的剧烈变化。但是它仍然存在诸多缺点不足。本文以Kalman滤波器为主要的研究对象。利用扩展的Kalman滤波器的预测增强TLD算法，以增强算法的可靠性，并在此基础上实现了相应的目标跟踪算法。论文完成的工作有：1.分析了Kalman滤波器的数学原理，对滤波器在目标跟踪、运动估计应用方面做了一定的扩展，并提出了扩展的方法。2．分析了随机森林的原理，对比分析各类目标检测的图像特征描述，比如Haar，LBP，2bitBP特征。并提出基于2bitBP特征建立随机森林的过程。3.研究了TLD算法中的关键部分P-N学习过程和基于LK光流法的Median Flow跟踪算法。4.阐述利用扩展的Kalman滤波器增强TLD算法的思想，对改进算法的跟踪器、检测器、学习器的实现给出详细描述。调用检测器来计算跟踪器定位目标的可信度与Kalman滤波器预测目标的可信度，根据这两个可信度，决定输出到下一级检测器和学习器的结果。在此基础上利用Opencv计算机视觉库，在linux系统上实现了高效的改进跟踪器。针对四个各具特点的场景分别实验，分析实验结果和算法的优缺点。经实验验证改进确实增强了跟踪的可靠性。