目标检测和跟踪是计算机视觉(Computer Vision，CV)的两大重中之重的范畴，该范畴整合机器学习，图像处理等多项技术，在军事战争和国防安全、工业机器人和智能车辆、农业检测、气象分析、视频监控等方面有着广泛的用途。本文的研究内容主要涉及了遮挡场景下的目标检测，显著性的目标检测以及与显著性特性结合的多样例多特征学习的目标跟踪方法三部分。本文主要工作是在CV领域中经典研究理论的基础上，创新性地提出了一种新的显著性检测算法，同时对现有的目标检测和跟踪进行了改进和创新。具体来说主要有以下三个方面:　　(1)本文针对遮挡环境下目标检测的问题，在DPM检测算法基础上提出一种新的改进算法。首先，该方法通过二值规范化梯度算法进行区域提名，划定预选的范围，缩减了复杂的计算量并提升了算法执行效率。之后，改进了DPM检测模型，对DPM模型部件权重进行合理的分配，有效地提升了遮挡环境下的目标检测率。最后通过对公共测试集进行准确性和运行速度测试，证明本算法在效果上比原始的算法具有更好的性能，尤其是能够检测出部分遮挡的目标。　　(2)本文针对显著性目标检测的问题，开拓性地提出了基于时频显著性算法相融合的算法，在贝叶斯框架下将中心环绕算法与PQFT算法结合成新的显著性检测算法。首先，将图像通过中心环绕模型的基础上利用核密度算法检测整个图像快速得到全局适著图，获取目标对象的潜在空间信息;然后，同时利用经典的频域算法PQFT显著性算法处理图像，获得另外一幅显著性概率图。最后将两幅显著性概率图通过贝叶斯公式进行融合形成最终的显著性图。程序可自动将目标图像识别和定位，避免了人工介入，同时结合了人类的视觉注意力，为下一步目标跟踪提供了强有利的条件。　　(3)本文针对目标跟踪所遇到的挑战，在WMILTRACK算法的基础上创新性地提出了一种新的目标跟踪算法。将特征的显著性和和特征提取方面相结合，通过视觉显著性概率直方图的相似度高低赋予样本权重不同的大小，改变了原始仅通过距离赋予权重的算法。在经过在线Boosting训练分类器时，分别提取HOG特征和类Haar特征训练相应弱分类器，并将多个弱分类器融合为强分类器，改变了单一Haar-like特征训练分类器的弱分类能力。通过在实验集上测试，相比原始的MIL以及WMIL算法，本文提出的算法在多种复杂情况下效果显著，跟踪稳定性强。