非重叠摄像机行人跟踪是近年来视频运动目标分析技术研究的重要方向，实现单摄像机行人跟踪以及多摄像机行人关联，最终得到行人在整个监控网络中的运动轨迹。自然条件下行人外观特征的变化差异是其中一个关键性的难点问题。本文研究了一种基于在线学习的非重叠摄像机行人跟踪方法，针对非重叠摄像机行人跟踪面临的难点，提出了一种具有在线学习功能的非重叠摄像机行人跟踪基本框架，以在线学习思想实现单摄像机下行人跟踪，较好的解决了跟踪“漂移”问题，同时基于单摄像机跟踪过程中积累的行人样本，构造了一种分层的特征模式，建立关联分类器完成多摄像机行人关联。论文的主要工作包括：(1)提出了一种解决单摄像机行人跟踪的KMD方法。KMD框架由Kalman滤波跟踪器、随机蕨行人检测器和行人模型组成，实现了检测器和跟踪器的互补增强，解决了由于遮挡等原因造成的目标丢失问题。在跟踪过程中，以半监督方式对样本进行在线学习，使得KMD行人跟踪方法能够适应环境和目标的变化。实验结果表明，KMD行人跟踪方法具有较好的效果。(2)提出一种底层描述和高层统计相结合的分层特征模式来提取行人特征，解决了多摄像机间行人特征不变性和辨识性矛盾突出的问题，首先采用CSIFT方法对密集采样提取到的行人局部特征进行描述，然后采用Bag of Words方法对底层特征进行重组织，最终得到CSIFT-BOW行人特征，在一定程度上消除了多摄像机间行人外观的差异。(3)提出了一种利用SVM分类器对累积样本进行学习的分类关联方法，充分利用了单摄像机下行人运动过程中表现出的不同外观特征，为多摄像机行人关联提供了丰富的信息。SVM分类器在CSIFT-BOW特征空间中寻找该行人的分界面，对其它摄像机中行人进行关联判别。实验结果表明，该方法能达到较高的关联匹配度。