随着计算机视觉领域的不断发展，图像的处理问题越来越受到人们的关注。本课题通过对运动员的滑行数据进行分析找出与高水平运动员之间的差距，以提高运动员的水平。本课题主要分为三个部分：图像配准、摄像机标定、目标跟踪。图像配准是研究两幅图像之间的变换关系。本文首先采用灰度相关匹配方法进行初始匹配，由于图像中可能存在许多相同的纹理特征，导致灰度相关匹配方法可能存在一些错误的匹配。所以采用RANSAC算法剔除由于灰度相关匹配产生的错误匹配。利用所有正确的匹配点重新估计变换模型。由于RANSAC算法的特征点对选择的随机性，将会导致RANSAC算法的执行效率很低。本文提出改进的RANSAC算法。利用K-means算法将特征点对进行分组，有效提高了RANSAC算法的效率。摄像机标定的目的是找到世界坐标与像素坐标之间的对应关系。本文采用Hall所提出的利用线性技术计算世界坐标与像素坐标的转化矩阵。根据Hall提出的方法，只需要4对世界坐标与像素坐标之间的对应关系就可以求出转化矩阵。本文采用在三幅不同的图像中分别选取7个点，利用21对对应关系来计算转化矩阵，提高了摄像机标定的精度。传统的目标跟踪方法多数采用模板匹配的方法，计算所有目标候选与模板之间的相似度。由于基于稀疏表示的方法在人脸识别中得到了成功的应用。本文提出了基于稀疏表示的目标跟踪方法。每个目标候选都可以表示为目标模板和背景模板的线性组合。通过l1范式最小化方法使每个目标候选得到一组最稀疏的系数。计算每个目标候选的重构误差，将重构误差最小的作为跟踪结果。试验证明基于稀疏表示的目标跟踪方法具有很好的鲁棒性。