作为计算机视觉领域研究热点之一的目标跟踪技术,广泛应用于自动驾驶、智能监控等领域。由于跟踪过程中目标也许会经历尺度变化、几何变形、遮挡和背景杂乱等,增加了算法精确跟踪的难度。本文提出了一种新型的目标跟踪算法,以应对上述挑战。此外,摔倒检测具有很大的应用前景,传统的摔倒检测产品大多采用穿戴式设备,其对老人日常活动影响较大且价格较高。因此,本文提出了一种基于视觉的摔倒检测算法。本文先对结合相关滤波的基于深度学习的目标跟踪算法进行深入研究,讨论了如何在复杂环境下提升跟踪器性能。此外,受目标跟踪算法启发,在经典的AlphaPose提取骨骼特征网络中加入IOU跟踪匹配算法,此跟踪算法的精度直接影响摔倒识别成功率。本文贡献如下:通过目标跟踪方面的研究,本文提出了一种旋转自适应的多特征多模板融合的目标跟踪算法（RA-MFMT）。首先,针对某些严重的背景干扰会对跟踪器模板造成污染的情况,设计出一种多模板学习模型,通过对具有互补特性的全局模板、判决模板和修正模板的构建,以提升跟踪器在复杂场景中的抗干扰能力。其次,由于跟踪过程中存在大量的干扰源,因此该算法将浅层color特征作为视觉补充信息和VGGNet-19的多层深度特征进行自适应融合,以提升跟踪器对目标外观的判别能力。最后,提出自适应的目标旋转角度估计策略来解决目标发生旋转时造成的跟踪器性能下降问题,此策略采用一种改进的跟踪结果置信度来估计目标旋转角度。并于OTB-2013、OTB-2015和LaSOT数据集上,将本文所提出的RA-MFMT和多种主流算法进行性能对比。此外,本文通过对目标跟踪算法的研究,提出了Mobi-alphapose摔倒检测算法,该算法包括预处理模块、特征提取模块和摔倒判决模块。首先,预处理模块采用混合高斯模型进行前景检测,采用限制对比度自适应直方图均衡算法以增强前景区域,再使用高斯模糊策略弱化背景区域。其次,针对传统AlphaPose算法估计出的骨骼序列仅有位置特征而忽略了时间特征这一问题,本文对该网络进行改进,在该网络内部的行人检测模块和单人骨骼检测模块之间加入了跟踪模块（IOU匹配方法）,最终该网络被用于特征提取模块。摔倒判决模块由阈值判定和MobileNet网络判定组成。其中,先采用阈值判定方法来检测是否摔倒,若该方法无法判定,则借助MobileNet V2网络进行二次判定。最后,在自建摔倒数据集中,将最小外接矩形法、Chua’s方法和本文算法进行性能对比,实验结果表明,相比上述对比算法,Mobialphapose具有较高的摔倒识别成功率和较低的误检率。