非特定目标的长时间跟踪技术是指对视频中感兴趣的目标区域进行持续有效地跟踪。需要解决的一种问题是,对于目标运动较为激烈的视频序列,如何对产生形变的目标继续跟踪。目标跟踪过程中的在线学习就是解决这一问题的一种颇为有效的方法。本文首先给出了一种基于在线学习的目标模板更新方法。通过计算扫描窗口与目标框的重叠度来判定正负样本并更新目标模板,重叠度定义为两个矩形框的交集与均值面积之比。随后,在跟踪-学习-检测算法(Tracking-Learning-Detection,TLD)的基础上,采用本文给出的目标模板更新方法进行实验分析。同时,针对TLD跟踪系统进行了创新性改进,实现可靠且准确的目标跟踪,提高了系统的跟踪成功率。本文的主要工作有：1.提出一种基于在线学习的目标模板更新方法,并将该方法应用到TLD跟踪系统之中,提高了系统的跟踪成功率。2.通过对TLD跟踪系统初始化部分的研究,对其初始模板的生成方法进行了改进。由鼠标拖动形成矩形框作为初始目标区域改成鼠标单击选择矩形中心,生成初始目标模板。减少了背景区域的干扰,同时使操作更加简便。3.改进了TLD系统的检测模块,在检测模块中的第一步方差滤波器之前引入了帧间差分法,将利用帧间差分法检测到的含有目标的图像块输入给方差滤波器,提高了检测模块的准确性以及效率。4.在VS2008与OpenCV2.3.1平台上,本文对原始方法与改进后的方法进行比较,分别采用多次实验取平均值法与固定目标框的方法进行实验。对于具有代表性的几组视频序列,改进后的跟踪效果优于改进前,成功跟踪到目标的视频帧数更多。其中,在目标运动较为激烈的视频序列中,在跟踪效果的提高上尤为显著,即改进后的系统能够更加适应目标的形变,对其实现长时间跟踪。