随着计算机技术和模式识别技术的发展,人脸检测与跟踪技术已成为计算机视觉领域的研究热点,目前广泛应用于人脸识别、智能监控、人机交互等领域。本文就AdaBoost算法在人脸检测方面的应用以及粒子滤波在目标跟踪方面的应用,展开了以下的研究：对于复杂背景下的人脸检测,首先进行肤色建模,针对单颜色空间进行建模导致肤色点遗漏的问题,使用肤色聚类效果好并对光照鲁棒的YCb ’Cr’空间和rgb的联合颜色空间进行建模,有效降低了肤色的漏检率；在肤色区域提取后,使用AdaBoost算法进行人脸的进一步验证,针对前后两次相继的扫描中搜索窗口的缩放比例对AdaBoost检测的影响进行研究,提出了自适应的搜索窗口比例系数调整策略,有效提高了人脸检测的效率。使用基于双肤色模型及改进的AdaBoost人脸检测方法,提高检测率的同时,有效降低了误检率。对均值偏移算法在目标跟踪中的应用进行研究,针对跟踪过程中窗口尺度固定不变的问题,引入自适应的窗口尺度调整策略；针对跟踪过程中遭遇遮挡而导致跟踪丢失的问题,使用卡尔曼滤波进行预测,有效解决遮挡的影响；对更能满足实际应用环境的粒子滤波算法进行研究,针对基于单一颜色特征的粒子滤波在复杂环境中易导致跟踪失败的不足,提出融合颜色特征与方向梯度直方图特征的粒子滤波方法,该方法能够有效的解决相似目标的遮挡问题,提高算法的鲁棒性。使用基于AdaBoost和粒子滤波的算法进行人脸检测与跟踪。使用AdaBoost进行人脸检测时,引入帧间差分法,防止视频中长时间没有人脸存在而导致人脸检测效率的浪费；使用粒子滤波算法对检测到的人脸进行跟踪,针对粒子退化的问题,在多特征融合的粒子滤波基础上引入具有聚类作用的Mean Shift算法,从而可以用较少数量的粒子达到较好的跟踪效果。基于现实中智能人脸识别的需求,设计了一个智能人脸识别的框架,并使用提出的算法对其中的人脸检测与跟踪部分进行实现。