本论文对复杂背景下的跟踪方法展开研究，旨在解决目标出现表观变化、遮挡等情况时跟踪的稳定性以及实时性等问题。鉴于在线分类器的方法具有对目标的表观变化适应性较强，可以应对目标遮挡，并且在目标消失重现之后可以重新捕获目标等优点。本文采用该方法为主要技术路线。并针对其存在的不足，做出一些改进工作。作为基于在线分类器的经典跟踪算法，在线提升算法在每一帧只确定一个正样本，当正样本的检测存在误差时，会导致下一帧分类器性能的下降。为解决此问题，结合多实例学习的在线提升跟踪方法在每一帧检测结果的周围采样多个样本构成正样本袋。当检测结果存在误差时，仍能保证将真实目标采样至正样本袋，从而缓解了样本标记误差的累积。但是正样本的增多使得样本袋似然函数的计算成为一个非常耗时的过程。因此本文对样本袋的对数似然函数进行了近似处理，并结合函数空间的梯度下降法对分类器的训练过程进行优化，大幅提升了分类器的训练速度。针对传统Noisy-OR样本袋概率模型不能表征大容量负样本袋的局限性，本文提出利用几何均值模型对其进行优化，经过实验证明该模型使得跟踪稳定性有所提高。另外，经过在每一帧的训练样本中加入初始帧的正样本，增加了跟踪的稳定性。基于在线分类器的跟踪方法一般采用滑动矩形框的采样方式，这就不可避免的会在正样本中引入背景成分。为了避免背景成分对正样本的干扰，本文提出结合水平集分割方法对目标区域进行在线分割，确保正样本中只有前景区域的特征才会被分类器所学习。实验证明该方法在一定程度上抑制了背景成分的干扰。滑动矩形窗采样给基于在线分类器的跟踪方法带来了另外一个缺陷：对目标的尺度和倾角变化具有较差的适应性。为了解决这一难题，本文引入了一种集合目标位置、尺度、倾角、形状信息的贝叶斯框架，将目标跟踪看作以上信息的联合估计问题，并通过后验概率的最大化来解决。本方法同时完成了目标分割和跟踪两个任务，在保证像素级的跟踪精度同时，很好的适应了目标的尺寸和倾角变化。