视频目标跟踪技术作为计算机视觉领域的核心研究方向,在智能视频监控、人机交互、视觉导航等各个领域得到广泛的应用。很多专家学者在提高算法的准确性、稳健性等方面进行大量的研究并取得许多优秀成果。在众多算法中,TLD目标跟踪算法（Tracking-Learning-Detection）将传统的检测算法和跟踪算法结合,并利用PN学习方式（P-N Learning）,在目标消失后重现、光照变化等多种复杂场景中,实现了对目标较好的长时间跟踪,但该算法在目标快速旋转时易出现跟踪漂移或失败问题。本文首先分析了TLD算法中最近邻分类器在目标快速旋转时易检测失败从而导致算法跟踪错误的原因,在此基础上,提出一种基于TLD模型融合旋转不变特征描述子的目标跟踪算法（FHP_TLD算法）。该算法采用检测、跟踪和学习的基本框架,设计了一种具有快速旋转目标检测能力的分类器（FHP分类器）,该分类器通过多特征融合的方式构建分类器的分类决策模型。即首先基于像素点位置信息的灰度特征计算样本的相关相似度S^r;接着以旋转不变模式LBP算子为基本元素求取样本R_LBP图,并在极坐标下求取样本的圆投影向量,共同构成旋转不变特征描述子;然后求取在旋转不变特征描述子下样本的相似度W_{H P},由S^r和W_HP构建分类决策模型对样本进行分类。FHP_TLD算法将FHP分类器作为检测模块的第三级分类器,并针对该分类器的分类决策模型,对原始TLD算法中学习模块的学习策略和综合模块的融合方法进行改进,使得该算法能够在线更新快速旋转目标模型。其次,TLD算法中检测器采用全局扫描的搜索方式产生待分类样本对目标进行检测,增加了算法的运算时间,并且在检测器和跟踪器仅其中之一成功输出结果时,综合模块的融合策略容易导致算法跟踪漂移。针对这些问题,本文提出一种基于FHP_TLD融合卡尔曼滤波的KFHP_TLD算法。该算法首先利用卡尔曼滤波的轨迹预测功能得到目标的预测值,并利用FHP分类器对预测值的准确度进行判断;然后根据具有可信度的预测值,对检测模块的搜索范围进行约束,提高算法的运算效率,同时当检测器和跟踪器仅其中之一成功输出结果时,对综合模块的融合结果进行修正,进一步提高FHP_TLD算法的鲁棒性。最后,通过大量实验证明,在目标快速旋转及综合场景下,融合旋转不变特征描述子和卡尔曼滤波器的KFHP_TLD算法相较于原始TLD算法,准确率和稳健性均有明显的提升,同时使得FHP_TLD算法运算时间得到有效的降低。