本文提出稀疏表观模型和高效分类器作为研究对象，旨在解决复杂跟踪环境中目标表观变化导致跟踪算法鲁棒性下降的问题。视觉目标跟踪属于计算机视觉的底层研究范畴，在安全监控、智能交通、军事应用、视频压缩、人机交互等方面有着广泛应用。研究如何提高视觉目标跟踪算法的鲁棒性具有十分重要的意义。压缩跟踪算法基于压缩感知理论使用一个随机测量矩阵提取局部的稀疏广义类Haar特征构建稀疏的自适应表观模型，提高了算法在复杂跟踪环境下的鲁棒性。在该算法中，目标区域使用一个矩形表示，里面包含部分背景信息，这样在提取特征时会提取背景中的稀疏广义类Haar特征，这些来自背景的特征会参与到表观模型的构建过程中，这在一定程度上影响了表观模型的精确度，进而影响算法的鲁棒性。本文算法首先使用压缩跟踪算法得到检测样本的分类器分数，其次使用全局灰度直方图特征计算目标和检测样本之间的相似度，然后使用相似度对分类器分数做出修正。实验表明，全局灰度直方图特征的引入能够在一定程度上消除目标区域中背景部分的稀疏广义类Haar特征带来的不利影响，提高表观模型的稳定性和精确性，进而提高复杂环境下跟踪算法的鲁棒性。压缩跟踪算法使用朴素贝叶斯分类器进行分类，在训练朴素贝叶斯分类器时，对正样本集合中的样本赋予相同的权重。本文算法在训练朴素贝叶斯分类器时根据正样本和目标之间的距离赋予正样本不同的权重。正样本和目标之间的距离越小，正样本和目标的相似度就越大，因此赋予正样本更大的权重，反之，赋予正样本更小的权重。实验表明对正样本加权能够提高朴素贝叶斯分类器的性能，能够更准确地找到检测样本中和目标相似度最高的样本，提高了跟踪算法在复杂环境下的鲁棒性。