随着计算机视觉技术的不断研究与发展,计算机视觉的应用已遍布人们生活的各个角落,计算机视觉技术的研究也获得了国内外研究学者的热切关注。目标追踪作为计算机视觉领域的关键技术之一,已经被普遍应用到军事、工业、民用、商业等领域中。虽然目前的目标追踪技术已经得到广泛应用,但是日常生活场景中类似动态遮挡、光照变化等复杂因素的干扰,使得鲁棒性目标追踪的研究仍面临诸多挑战。本论文以稀疏表示理论为基础,针对目标追踪技术存在的一些关键问题,从提升目标追踪追踪精度出发,提出两种新的基于稀疏表示的目标追踪方法。主要研究工作如下所示:(1)总结基于稀疏表示目标追踪的国内外研究状况,深入学习稀疏表示理论,研究并分析几个经典稀疏表示目标追踪的优缺点,建立基于粒子滤波框架的稀疏表示目标追踪框架。(2)针对传统稀疏表示目标追踪算法中利用单一外观特征表征采样粒子的不足,提出了一种基于核函数的稀疏表示目标追踪方法。该方法以粒子滤波为整体框架,在稀疏表示模型中利用核函数实现灰度特征和状态特征的互补融合。该算法可通过混合范数来约束不同粒子之间的相似度,并依据观测向量相似度的高低,通过分组方式实现多任务稀疏表示。(3)为了提升外观特征表征采样粒子观测向量的准确性,提出了一个基于典型相关性分析的稀疏表示模型,此模型首先使用两种外观特征来表征粒子观测向量,然后将两种观测向量的子空间投影结果进行稀疏建模。所构建的模型可通过在子空间中探究特征间的相关性来实现不同特征的互补融合,提升稀疏表示模型在复杂监控环境下的鲁棒性。