目标跟踪问题是计算机视觉领域的研究热点,它融合了机器学习与模式识别等领域的理论和技术,在视频监控、智能交通以及现代军事等领域都有着广阔的应用前景。视觉跟踪场景往往会包含多种跟踪难点,例如视频背景杂乱、目标外观变化、尺度变化、光照变化和部分遮挡等,会严重干扰目标检测和识别的性能,使跟踪问题变得更加复杂。因此,在复杂多变的动态跟踪场景中跟踪目标是一个极具挑战性的问题。本文基于稀疏表示理论,主要研究了基于稀疏表示和字典学习的目标跟踪框架,从多特征和多局部的角度提出了相应的方法。本文主要研究内容如下:1)针对全局模型在目标外观变化和遮挡时跟踪性能较差的问题,提出了一种局部加权稀疏表示的目标跟踪方法。该方法将目标划分为多个局部块,并综合多个局部判别字典的决策信息来选择目标。方法首先使用稀疏特征来度量样本的相似性,选择候选样本,然后结合样本的局部权重和重构误差信息构造加权重构误差,进而选择最佳样本。基于稀疏系数分析的方法选择干扰强度较小的周期来更新模型,以减少误差信息的引入。实验对比显示,方法在目标被遮挡和目标外观变化的跟踪中具有良好的跟踪性能。2)针对单一特征表示的目标模型对特征表征能力的依赖度高和场景适应能力差等问题,本文提出了基于多特征权重判别字典的目标跟踪方法。该方法在判别字典学习的基础上构造带权重的字典模型,在确定目标时先使用字典权重信息来度量选择候选样本,再比较候选样本的重构误差以得到最终跟踪目标位置。基于稀疏系数统计分析的方法进行目标干扰检测,在强干扰开始发生时更新模型,以提高模型的自适应性。实验对比表明,方法在目标运动模糊、背景变化干扰和目标遮挡等情况下具有良好的性能。综上所述,本文针对视觉跟踪领域面临的难点问题,从稀疏表示和字典学习入手,对跟踪目标的外观表示模型、多特征融合和字典更新策略等方面进行了研究,提高了视觉跟踪的鲁棒性。通过多个数据集上的实验对比分析,进一步论证了本文工作的有效性。