基于在线学习的目标检测是计算机视觉领域一个较新的研究课题。如何使检测模型在执行检测任务的同时进行在线学习，从而模仿人类视觉系统的自我学习能力，逐步提高自身的检测性能是在线学习目标检测系统的主要研究内容。本文提出将跟踪与检测模型的在线学习结合起来，通过跟踪自动提供检测模型在线学习的样本并对检测结果进行验证，从而指导检测模型的在线学习。整个研究工作主要集中在学习样本类别自动标注以及提高在线学习的分类器分类能力方面。 本文首先提出自适应级联分类器算法，将级联分类器算法融入到在线学习体系中，使级联分类器可以进行在线训练。并且整个分类器级联结构可以进行自适应的变化，即通过在线训练过程中增加级联分类器的级数增强分类器分类能力。实验结果表明，该算法可以进行自适应在线学习，从而提高目标检测精度。 其次，针对在线学习中样本类别自动标注的难点提出采用粒子滤波跟踪进行在线学习样本的获取以及样本类别的自动标注。利用粒子滤波算法的特性对目标检测结果进行验证，将错误的检测作为在线学习的负样本更新检测模型。此外，通过跟踪获取真实目标的不同姿态，从中提取检测模型较难检测出来的目标作为在线学习的正样本。大量的实验结果表明了该方法的有效性。