本文围绕移动摄像机条件下的海上船只目标检测和跟踪开展工作，重点研究了基于“在线学习”的目标跟踪算法。为了使方法对于不同场景具有适应性，我们将目标检测和目标跟踪分别看做“离线”学习和“在线”学习问题，采用了统一的随机森林框架。我们首先研究了从决策树到随机森林的基本思想，并对随机森林用于典型的分类任务进行了说明。针对海上目标检测，我们采用了霍夫森林算法;针对海上目标跟踪，我们提出了一种自适应随机森林算法。为了验证算法的有效性，我们收集了多种海况下的真实数据形成测试和训练数据集，实验结果表明，两种算法可以有效实现海上目标检测和跟踪。　　 本文的主要工作和贡献如下:　　 (1)将霍夫森林应用在海上船只目标检测任务上。通过在不同规模训练数据上训练霍夫森林，发现即使训练数据规模很小且存在较大数据冗余，训练得到的模型依然具有较强的泛化能力，能够在不同海面场景中对目标形成较强的响应。检测输出可以对后续的目标跟踪算法进行初始化以及重新初始化，并能够对跟踪过程中出现的漂移进行纠正。　　 (2)提出了一种基于自适应随机森林的目标跟踪算法。该算法融合了在线随机森林以及多实例学习的思想，通过引入一种新的在线决策树选择方法来优化“流式数据”的似然性。在所有时刻，我们维护一个更大的决策树集合，当同时更新完所有的候选决策树后，我们从中挑选出一个最优的子集合来构成当前的“随机森林”分类器，并对下一帧中的“像元”(patches)进行估计。这样，我们的方法提供了一种新的途径引入额外的自适应性，以应对不断变化的目标表观。算法的思想非常直观——可以将候选决策树集合看做一个很大的“记忆”数据库;它不断地学习、记忆变化中的目标表观;基于连续帧之间具有平滑性的一般假设，对于当前数据作出最好“解释”的决策树子集会对下一帧数据作出最优的预测。最后，通过在四段海面视频序列以及六段公共测试序列上对算法进行测试，验证了算法解决海上目标跟踪问题的有效性，同时通过与几种跟踪算法进行比较，表明我们提出的算法具有较好的跟踪性能。