基于视频的单目标跟踪技术是计算机视觉研究领域的热点之一,在军事和民用的诸多领域得到广泛的应用。跟踪目标的非刚体和其运动的随机性,以及实际场景中光照变化、旋转、形变、目标遮挡等复杂因素的存在都有可能引起目标跟踪漂移。要实现真正具有鲁棒性的单目标跟踪,还需要进一步研究成熟稳定的核心技术和方法。基于在线判别式分类器的跟踪算法将跟踪视为二分类问题且可以实时更新目标模型,比以往的算法具有更好的跟踪效果。针对遮挡等跟踪难题,将目标分块化是一种常用的方法,但常见的固定分块方法无法适应目标的多样性和运动过程中的目标外观变化。因此本文研究如何对目标进行分块以及将基于在线判别式分类器的跟踪算法用于复杂环境下的单目标跟踪领域,具有重要的理论与应用价值。针对复杂场景下目标跟踪部分遮挡等问题,本文对目标分块模型和结合在线判别式分类器跟踪做了重点研究。首先提出一种自适应分块算法,在超像素分割技术的基础上采用DBSCAN聚类算法进行分块并进行改进;然后在此基础上采用在线判别式局部分类器的跟踪算法,提取目标子块的融合特征训练局部分类器,根据各局部分类器的判别结果得出置信图;将样本置信值和运动模型相结合,采用具有最大后验概率的样本作为跟踪结果;同时,提出基于子块判断遮挡的分类器更新策略保证样本的可靠性。实验结果表明,该方法可以较好的解决目标部分遮挡等而引起跟踪精度较差的问题。为了进一步提高跟踪精度,本文在上述的研究基础上提出一种结合全局分类器和局部分类器的抗遮挡跟踪算法,利用全局特征和局部特征分别训练全局分类器和局部分类器,根据跟踪结果采用抗遮挡跟踪更新策略保证分类器的可靠性,进而提高跟踪的鲁棒性。实验结果表明,该方法在目标外观实时变化、背景干扰等复杂条件下具有较好的跟踪精度。