目标检测和视觉跟踪是计算机视觉领域的基本内容和研究热点，在视频监控、智能交通、机器人导航、智能车辆驾驶辅助和人机交互等领域有着重要的应用。实际公共场所中遍布着各种摄像头来辅助管理和安全监控，如地铁、机场、银行和交通路口等地。这些应用主要关注的对象是行人和汽车等，非常依赖于目标检测和视觉跟踪方法。目标检测和视觉跟踪二者关系密切并且都存在不少问题。这两个方向关键技术的研究发展及其在视频监控和智能交通等领域的应用有着重要的意义。本文面向视频监控和智能交通，对视觉跟踪、多人跟踪和行人检测的一些关键问题展开了研究和改进。视觉跟踪着重在跟踪的实用性上，即面对常发生的局部遮挡、外观变化、转动、背景干扰等困难情况，能够持续稳健地跟踪目标。单一特征或模型能够提取或学习目标的部分视觉特性，具有一些优点且能较好地解决一些跟踪问题。然而对于视觉跟踪，单一特征或模型也常有其缺点和不足之处。本文对于两种流行的视觉跟踪方法结合其他的特征或模型进行了研究改进，使得这两种方法提高了跟踪性能和稳健性。本文所做研究工作和创新性贡献主要表现如下：(1)提出了一种基于合成子空间的跟踪方法。增量本征子空间能有效地学习目标外观的主要模式且跟踪性能好。然而不能适应较快的外观变化。线性子空间恰能迅速学习最新的外观模式，本文将二者巧妙地结合起来得到合成子空间，同时具备二者的优点，提高了跟踪方法的适应能力和稳健性。(2)提出了一种基于特征选择的多子块跟踪方法。多子块跟踪方法效率高且能解决遮挡问题。子块生成方法和跟踪特征是其关键技术。RGB加权特征能克服子块直方图的稀疏问题，并可选择出当前的最优区分特征来适应目标外观和背景的变化。基于最优特征，提出了一种生成跟踪子块的方法。该跟踪方法能在遮挡和背景复杂等情况下稳健地跟踪一般性目标。近几年，多行人跟踪和行人检测发展迅速，也是视频监控等领域的关键技术。本文所做研究工作和创新性贡献主要表现如下：(1)提出了一种基于在线双层关联的多行人跟踪方法。基于子轨迹的多行人跟踪方法是近年的一类优秀方法。该类方法包含生成子轨迹和关联子轨迹两个部分。针对串联检测结果生成子轨迹的方法，采用粒子滤波跟踪来进行改进。有效地改善了因漏检和虚警等导致的子轨迹过分散问题，获得更准确及更长的子轨迹。先前方法在很长时间后才对子轨迹进行全局关联。本文提出一种在线关联子轨迹的方法，能实现准实时跟踪关联。实验结果表明此方法跟踪性能好，在实际拥挤场景下能有效地进行多行人跟踪。(2)针对视频监控，提出了一种基于Tff处理的视频行人检测方法。尽管目前行人检测已取得显著进展，针对监控场景研究运动特征的检测工作却很少。提出一种Tff处理，通过帧间的灰度变化提取运动信息。提出Tff幅值特征来训练预检器，能迅速地排除大量背景。提出区分性强的Tff方向直方图特征来训练行人检测器。该方法检测效率高且性能好，可用于视频监控或智能交通中。