目标跟踪在许多领域都有着广泛的应用,如人机交互、智能监察、虚拟现实等,是计算机视觉领域的研究热点之一。压缩跟踪算法(Compressive Tracking,CT)是一种简单高效的目标跟踪算法,该算法一经提出便受到了广泛的关注,但由于现实中的跟踪环境较为复杂,因而在复杂环境下CT算法极易发生跟踪漂移或丢失的现象。为了提高CT算法的性能,使其在复杂环境下具有鲁棒性,本文对CT算法进行了基础性的研究,并提出了相关改进算法,具体的完成工作如下:(1)由于CT算法是基于压缩感知理论提出的,因此介绍了压缩感知的相关理论知识,分别阐述了压缩感知处理中的三个阶段,并且介绍了CT算法的基本框架和算法原理,并对该算法的部分不足和改进之处进行了分析。(2)结合Kalman预测的快速压缩跟踪算法。CT算法在目标被遮挡时易发生跟踪漂移或丢失的现象,为了解决该问题,本文将Kalman滤波器应用于CT算法中,当目标发生遮挡时,采用Kalman滤波器进行目标跟踪,且直到目标重新出现为止都不再更新Kalman滤波器的参数,若目标没有发生遮挡,则采用CT算法进行跟踪,且将其跟踪到的信息作为Kalman滤波器的输入,将得到的预测位置作为下一帧CT算法的初始搜索位置,以便CT算法能够迅速地找到目标位置。CT算法使用固定学习率更新分类器模型会导致误差的积累,从而发生跟踪漂移的现象,为了解决这个问题,本文采用自适应学习率来进行更新。实验结果表明,当目标发生遮挡时,该算法相较于CT算法以及其他传统跟踪算法而言具有较好的跟踪效果。(3)尺度自适应的加权CT算法。CT算法在跟踪尺度变化较大的目标时其跟踪窗口不能随尺度的变换而变换,这样会导致跟踪准确度下降,为了解决该问题,本文将尺度自适应更新应用到CT算法中,首先提取不同尺度下的目标特征,将这些特征组成尺度金字塔,然后将得到的尺度金字塔作为相关滤波器响应的特征输入,最后将最大响应值对应的尺度作为当前估计尺度值。CT算法采用的贝叶斯分类器分类性能不高,为了提高其性能,本文对贝叶斯分类器进行加权,将正负样本的相似度作为权值,两者的相似度越小,则权重越大。实验结果表明,当跟踪尺度变化较大的目标时,该算法相较于CT算法以及其他传统跟踪算法而言具有较好的跟踪效果。